-
sigmoid是非對稱的
查看全部 -
激勵函數的作用是提供規?；姆蔷€性化能力
查看全部 -
邏輯回歸是一種最簡化的網絡結構。
查看全部 -
結構性的順序
結點和層的概念
解決的是非線性問題，這個體現在每個神經元的設計上。包括隱含層和輸出層。
神經元的操作：把輸入進來的東西進行組合，然后進行一個非線性的處理
查看全部 -
網絡結構
激勵函數
損失函數
梯度下降
查看全部 -
主要功能：分類識別
分類：圖像、語音、文本
查看全部 -
神經網絡
起源：20世紀中葉，實際上是一種仿生學產品。目標是像人腦一樣思考。
興起：
環境：二進制創新
能力：軟硬件
需求：人的性價比
查看全部 -
激勵函數是對大腦中傳遞介質的模擬，非線性的變化
Sigmoid tanh ReLU
2.1sigmoid （0-1）優勢：整個函數可導，后期反向傳播
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?缺點：對稱點：0.50（數據中心化）-》tanh
? 趨向比較小或比較大時，變化平緩
?2.2ReLU
查看全部 -
結構性順序
從輸入到隱含層到輸出再到最后得到預測結果
深度（層）比寬度（節點），一層一層分析，從色彩到線到形狀
神經網絡解決的問題是非線性的（體現在隱含層和輸出層）
神經元兩部分：線性組合和非線性的處理
查看全部 -
1.神經網絡主要功能：分類識別，通過函數
2.圖像，語音，文本
2.1圖像和語音是密集型矩陣（非零值），文本是稀疏性矩陣（零值居多，預處理工作）
2.2基礎應用：
圖像-》自動駕駛，語音-》語音助手，文本-》新聞推送
查看全部 -
神經網絡?
網絡結構
激勵函數
損失函數
梯度下降
查看全部 -
主要功能：分類識別（圖像、語音、文本）
查看全部 -
迭代，調整參數
查看全部 -
圖像和音頻是密集型 文本是稀疏型查看全部
-
1：激勵函數 ?:2損失函數 3：梯度下降
查看全部
舉報
0/150
提交
取消