EnochChen_的博客

当一层中的每个变量都连接到下一层中的每个变量时，我们称之为全连接网络。对于每个输出，多面体是相同的，但是它们包含的线性函数可能不同。这些功能的四个“连接点”（在垂直虚线处）被限制在相同的位置，因为它们共享相同的隐藏单元，但斜率和整体高度可能不同。）的网络处理，每个隐藏单元的输入是两个输入的线性函数，对应一个有向平面。普遍逼近定理证明，只要有足够的隐藏单元，就存在一个浅层神经网络，它可以将定义在。我们一直在讨论一个有一个输入，一个输出和三个隐藏单元的神经网络。随着隐藏单元的增加，模型可以逼近更复杂的函数。

相反，一个非常有表现力的模型可能描述训练数据的统计特性，这些特性是非典型的，并导致不寻常的预测。寻找使损失最小的参数的过程称为模型拟合、训练或学习。和斜率ф1），因此我们可以计算每个值组合的损失，并将损失函数可视化为一个曲面。定义了一个可能的投入产出关系族（所有可能的直线），参数的选择决定了这个族的成员（特定的直线）。更低的损失意味着更好的匹配。线性回归有一个明显的缺点，它只能将输入和输出之间的关系描述为一条直线。章）同样具有表现力，但可以用更少的参数描述复杂的函数，并且在实践中工作得更好。

然而，这些行动以一种不确定的方式改变了系统的状态，对于任何行动的选择，对手玩家可能会做出许多不同的反应。机器人可以在给定的时间内执行有限数量的动作（移动不同的关节），这些动作会改变世界的状态（它的姿势）。中的模型接收包含餐厅评论的文本字符串作为输入，并预测该评论是正面的还是负面的。它可以是离散的或连续的，低维的或高维的，长度恒定的或可变的。为两张真实图像找到这些变量，插值它们的值，然后使用这些中间变量来创建新图像，我们可以生成中间结果，这些中间结果在视觉上是可信的，并且混合了两张原始图像的特征。