神经网络相关超参数和方法的理解汇总

本文深入探讨了深度学习中的关键技巧,包括激活函数的选择、学习率及其衰减策略、epoch和batch_size的调整、优化器的选用、损失函数的设计、以及dropout的详细应用。特别强调了dropout在解决过拟合问题上的作用机制,通过随机丢弃部分神经元来增强模型的泛化能力。

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

cs231n链接:http://cs231n.github.io/neural-networks-2/

激活函数

学习率和学习率衰减

epoch和batch_size

优化器

损失函数

dropout

dropout详解引用:https://blog.youkuaiyun.com/program_developer/article/details/80737724

  • 训练时:设置保留当前神经元的概率为p,前向传播时每一个神经元按p概率保留(保留时权重乘上1/p)或 暂时删除;然后进行反向传播更新每一个参数(暂时删除的神经元不更新),然后恢复暂时删除的神经元;每次输入训练都重复更新上述过程。
    注:乘上1/p的理解——inverted dropout:用了drop的输出期望为E(x) = (1-p)(x/(1-p)) + p * 0 = x,保持其仍然为x。
  • 测试时:忽略dropout,正常测试
    带dropout的网络

思考如何解决过拟合:
1、带dropout的网络就如同很多不同神经网络取平均,不同的网络产生不同的过拟合,一些互为“反向”的拟合相互抵消就可以达到整体上减少过拟合;
2、减少神经元之间复杂的共适应关系,网络不应该对一些特定的线索片段太过敏感,即使丢失了特定线索,也可以从其他众多线索中学习一些共同特征;
3、这种防止过拟合的办法类似于生物的突变避免环境改变时可能面临的灭绝。

weight_decay

BN归一化

瓶颈结构Bottleneck_layer

Inception Module

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
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