20201121熵(信息论)与BP算法顿悟

本文介绍了信息论中的核心概念——熵、交叉熵及相对熵(KL散度)。详细阐述了三者之间的数学关系,并探讨了它们在机器学习中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

H( p )

交叉熵

H(p,q)

相对熵KL散度

Dkl(p||q) p:目标概率分布 与 q:近似p的概率分布 的信息损失量化
三者关系 熵+相对熵=交叉熵

BP算法

反向传播中的随机梯度下降

详情见大佬链接,弱鸡学习完毕懒于重复整理
KL散度(相对熵).
三者关系.
JS散度.
万一有人需要,看完不会你砍我(别真下手)(可能需要科学上网

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

plus_left

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值