m0_61517307的博客

递归神经网络（Recurrent Neural Network，RNN）是一种具有循环连接的神经网络结构，主要用于处理序列数据。它的原理是通过将当前时刻的输入和上一时刻的隐藏状态进行组合，来预测下一时刻的输出。RNN的基本结构包括输入层、隐藏层和输出层。隐藏层中的神经元不仅接收当前时刻的输入，还接收上一时刻隐藏层的输出作为输入。这种循环连接使得RNN能够对序列数据进行建模，捕捉到数据中的时序信息。在RNN中，每个时间步都有一个隐藏状态，用于存储过去时间步的信息。隐藏状态可以看作是网络对过去信息的记忆。

卷积核是卷积神经网络中的一个重要概念，用于提取输入图像的特征。卷积核的定义包括两个方面：大小和形状。1. 大小：卷积核的大小决定了卷积操作的范围，也就是感受野的大小。在二维卷积中，最常见的卷积核大小是3x3。一般来说，较大的卷积核可以捕捉更多的图像信息，获得更好的全局特征。但是，大的卷积核会增加计算量，降低计算性能。2. 形状：卷积核的形状可以是任意的，但通常是正方形或矩形。卷积核的形状决定了卷积操作的方式和特征提取的方式。例如，边缘检测可以使用边缘检测卷积核，而模糊操作可以使用模糊卷积核。

损失函数定义# 获取层数# 样本个数# 分类个数# 前向传播走一次# 制作标签，每一个样本的标签都得是one-hot# 将对应的位置改为 1# 计算损失。

Dropout是一种常用的正则化技术，用于减少神经网络的过拟合问题。在训练过程中，Dropout会随机地将一部分神经元的输出置为0，这样可以强制网络去学习更加鲁棒的特征表示。具体来说，Dropout会以一定的概率p将某个神经元的输出置为0，而保留其他神经元的输出