<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_45665708的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weixin_45665708</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weixin_45665708]]></copyright><item><title><![CDATA[Docker快速入门教程]]></title><link>https://blog.youkuaiyun.com/weixin_45665708/article/details/127856104</link><guid>https://blog.youkuaiyun.com/weixin_45665708/article/details/127856104</guid><author>weixin_45665708</author><pubDate>Mon, 14 Nov 2022 21:45:21 +0800</pubDate><description><![CDATA[docker入门快速教程，简单明了的介绍了docker相关原理和基本操作。]]></description><category></category></item><item><title><![CDATA[TSstudio时间序列包使用]]></title><link>https://blog.youkuaiyun.com/weixin_45665708/article/details/127704228</link><guid>https://blog.youkuaiyun.com/weixin_45665708/article/details/127704228</guid><author>weixin_45665708</author><pubDate>Sat, 05 Nov 2022 15:31:57 +0800</pubDate><description><![CDATA[TSstudio包提供一组用于时间序列数据的描述性和预测性分析的工具。这包括用于时间序列对象的交互式可视化的功能，以及用于自动时间序列预测的实用程序功能。]]></description><category></category></item><item><title><![CDATA[深度学习面试常见问题汇总]]></title><link>https://blog.youkuaiyun.com/weixin_45665708/article/details/117003284</link><guid>https://blog.youkuaiyun.com/weixin_45665708/article/details/117003284</guid><author>weixin_45665708</author><pubDate>Sat, 29 Oct 2022 11:18:58 +0800</pubDate><description><![CDATA[文章目录
 1.神经网络1.1各个激活函数的优缺点？1.2 为什么ReLU常用于神经网络的激活函数？1.3 梯度消失和梯度爆炸的解决方案？梯度爆炸引发的问题？1.4 如何确定是否出现梯度爆炸？1.5 神经网络中有哪些正则化技术？1.6 批量归一化(BN) 如何实现？作用？1.6...]]></description><category></category></item><item><title><![CDATA[损失函数——交叉熵损失函数（CrossEntropy Loss）]]></title><link>https://blog.youkuaiyun.com/weixin_45665708/article/details/111299919</link><guid>https://blog.youkuaiyun.com/weixin_45665708/article/details/111299919</guid><author>weixin_45665708</author><pubDate>Wed, 16 Dec 2020 20:51:02 +0800</pubDate><description><![CDATA[损失函数——交叉熵损失函数（CrossEntropy Loss）

交叉熵函数为在处理分类问题中常用的一种损失函数，其具体公式为：



1.交叉熵损失函数由来

交叉熵是信息论中的一个重要概念，主要用于度量两个概率分布间的差异性。首先我们来了解几个概念。

1.1信息量

信息论奠基人香农（Shannon）认为“信息是用来消除随机不确定性的东西”。也就是说衡量信息量大小就看这个信息消除不确定性的程度。

“太阳从东方升起了”这条信息没有减少不确定性。因为太阳肯定从东面升起。这是句废话，信息量为0。

“六]]></description><category></category></item></channel></rss>