- 博客(3)
- 收藏
- 关注
RSS订阅原创 2021-01-21
''' predictions: 你的预测结果（一般也就是你的网络输出值）大小是预测样本的数量乘以输出的维度 target: 实际样本类别的标签，大小是样本数量的个数 k: 每个样本中前K个最大的数里面（序号）是否包含对应target中的值 ''' import tensorflow as tf A = tf.Variable([[0.8, 0.4, 0.5, 0.6],[0.1, 0.9, 0.2, 0.4],[0.1, 0.9, 0.4, ...
2021-01-21 20:45:48
128
转载 2020-09-30
为什么引入非线性激励函数 如果不用激励函数，在这种情况下你每一层输出都是上层输入的线性函数，很容易验证，无论你有多少层神经网络，输出的都是输入的线性组合。 激活函数是用来加入非线性因素的，因为线性模型的表达能力不够。 以下，同种颜色为同类数据。某些数据是线性可分的，意思是，可以用一条直线将数据分开。比如下图： 这时候你需要通过一定的机器学习的方法，比如感知机算法(perceptron learning algorithm) 找到一个合适的线性方程。 但是有些数据不是线性可分的。比如如下数据： 第二组
2020-09-30 17:16:43
130
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人