神经网络学习摘要_codestorm_新浪博客

本文介绍使用scikit-neuralNetwork工具包配合MNIST数据集进行神经网络训练的过程。采用梯度下降与反向传播算法优化网络,并讨论了不同激活函数(如sigmoid、softmax及tanh)的应用场景。此外还探讨了防止过拟合的方法,包括L1/L2正则化及dropout技术。

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

工具包: scikit-neuralNetwork
数据集:mnist

计算框架:gredient descent + back propagation
  1. 梯度下降用于将目标函数(最理想为凸函数)最快速的下降到最低代价,但要考虑更新步长影响收敛到局部最优
  2. 反向传播将更新每个节点的error的计算从每次都遍历整个网络变为一次遍历
目标代价函数:
  1. 二次型
  2. crossEntropy (能将学习启动时保持高学习速度)
激活函数:
  1.  sigmod
  2. softmax (概率化表达输出层的节点值)
  3. tanh(双曲正切)
泛化:防止overfitting,保持在trainning data上cost降低的同时accuracy提高
                   L1 / L2(代价函数增加w项以同时降低节点上w) / dropout
初始化w,b:正态分布生成w,b时,方差减小,提高学习速率

进阶
     限制玻尔兹曼机,玻尔兹曼机,深度置信网络,autoencoder,递归神经网络(RNN),hopfield......

参考:
    
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