本文介绍了一个典型的神经网络训练过程：从数据预处理开始，到数据输入神经网络进行正向传播获得得分；接着利用误差函数计算损失并与期望值对比；通过反向传播确定梯度向量；最后依据梯度调整权重直至训练完成。
一.数据预处理
二.将数据输入神经网络（每个神经元先输入值加权累加再输入激活函数作为该神经元的输出值）正向传播，得到得分
三.将“得分”输入误差函数（正则化惩罚，防止过度拟合），与期待值比较得到误差，多个则为和，通过误差判断识别程度（损失值越小越好）
四.通过反向传播（反向求导，误差函数和神经网络中每个激活函数都要求，最终目的是使误差最小）来确定梯度向量
五.最后通过梯度向量来调整每一个权值，向“得分”使误差趋于0或收敛的趋势调节
六.重复上述过程直到设定次数或损误差失的平均值不再下降（最低点）
训练完成
二.将数据输入神经网络（每个神经元先输入值加权累加再输入激活函数作为该神经元的输出值）正向传播，得到得分
三.将“得分”输入误差函数（正则化惩罚，防止过度拟合），与期待值比较得到误差，多个则为和，通过误差判断识别程度（损失值越小越好）
四.通过反向传播（反向求导，误差函数和神经网络中每个激活函数都要求，最终目的是使误差最小）来确定梯度向量
五.最后通过梯度向量来调整每一个权值，向“得分”使误差趋于0或收敛的趋势调节
六.重复上述过程直到设定次数或损误差失的平均值不再下降（最低点）
训练完成
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
