沈阳 网站建设出口订单哪里找

当前位置： 首页 > news >正文

沈阳 网站建设,出口订单哪里找,网站建设 素材,呼市賽罕区信息网站做一顿饭工作神经网络基础知识 文章目录神经网络基础知识一、人工神经网络1.激活函数sigmod函数Tanh函数Leaky Relu函数分析2.过拟合和欠拟合二、学习与感知机1.损失函数与代价函数2. 线性回归和逻辑回归3. 监督学习与无监督学习三、优化1.梯度下降法2.随机梯度下降法(SGD)3. 批量梯度下降法…神经网络基础知识 文章目录神经网络基础知识一、人工神经网络1.激活函数sigmod函数Tanh函数Leaky Relu函数分析2.过拟合和欠拟合二、学习与感知机1.损失函数与代价函数2. 线性回归和逻辑回归3. 监督学习与无监督学习三、优化1.梯度下降法2.随机梯度下降法(SGD)3. 批量梯度下降法(BGD)4.小批量梯度下降法(MBGD)5.Momentum动量法6.优化学习率/步长7.反向传播算法四、卷积神经网络1.感受野2.下采样(池化)3.Flattening平整化4.举例五、循环神经网络1. RNN的基本概念2.LSTM长短期记忆网络3.GRU4.Attention注意力机制5.Transformer模型一、人工神经网络 1.激活函数 sigmod函数 Tanh函数 Leaky Relu函数 分析 sigmod和Tanh函数为饱和函数leaky Relu函数为非饱和函数使用非饱和激活函数的优势在于 非饱和函数能解决深度神经网络(层数非常多)的梯度消失问题浅层网络才能使用sigmod作为激活函数。非饱和函数能够加快收敛速度。 激活函数的作用是将ANN模型中一个节点的输入信号转换成一个输出信号若不运用激活函数的话则输出信号将仅仅是一个简单的线性函数。 2.过拟合和欠拟合 欠拟合是指模型在训练集、验证集和测试集上均表现不佳的情况过拟合是指模型在训练集上表现很好到了验证和测试阶段就很差即模型的泛化能力很差。 二、学习与感知机 1.损失函数与代价函数 代价(目标)函数是损失函数的平均值输入x通过模型预测输出y此过程称为向前传播而将预测与真实值的差值减小需要更新模型中的参数这个过程称为向后传播。 损失函数 代价函数C(x)若是有多个样本可以将所有代价函数的取值求均值记作J(x)。优化参数x最常用的方法就是梯度下降就是对代价函数J(x)的偏导数。 代价函数 均方误差通常用在线性回归问题中交叉熵代价函数通常用在分类问题中。 损失函数Loss Function 是定义在单个样本上的算的是一个样本的误差。 代价函数Cost Function 是定义在整个训练集上的是所有样本误差的平均也就是损失函数的平均。 目标函数Object Function定义为最终需要优化的函数。等于经验风险结构风险也就是Cost Function 正则化项。

1. 线性回归和逻辑回归 线性回归是回归问题(预测数值是连续型的)逻辑回归是分类问题(预测数值是离散型的)逻辑回归就是将线性回归的值映射到sigmod函数当中两者的求解步骤是类似的。
2. 监督学习与无监督学习 监督学习的学习方法是分类和回归常用的算法是K-近邻算法、决策树、朴素贝叶斯、逻辑回归。无监督学习的学习方法是 聚类K-均值聚类、BIRCH聚类、高斯混合聚类降维主成分分析(PCA)(通过线性变换将原始数据变换为一组各维度线性无关的表示可以用于提取数据的主要特征分量。) 监督学习是根据已有数据集知道输入和输出结果之间的关系然后根据这种已知关系训练得到一个最优模型。训练数据应该既有特征(x)又有标签(y)然后通过训练找到特征和标签之间的联系。 监督学习中的数据是带有一系列标签的在无监督学习中需要用某种算法去训练无标签的训练集从而能够让我们找到这组数据的潜在结构。 监督式学习中的分类和回归回归指利用训练数据预测输出值例如利用回归从训练数据中预测股票价格。分类指将输出分组到某一类。例如使用分类预测数据样本的年龄。 监督学习中的支持向量机(SVM)
   支持向量机SVM是一类按监督学习方式对数据进行二元分类的广义线性分类器其决策边界是对学习样本求解的最大边距超平面可以将问题化为一个求解凸二次规划的问题。 三、优化 1.梯度下降法 在求解损失函数的最小值时可以通过梯度下降法来迭代求解得到最小化的损失函数和模型参数值。 梯度下降的分类 2.随机梯度下降法(SGD) 每次从训练集中随机选择一个样本来进行学习Batch_size 1优点每次只随机选择一个样本更新参数所以学习是非常快速的并且可以在线更新最终收敛于一个较好的局部极值点。缺点每次更新可能不会按正确的方向进行因此会带来优化波动使得迭代次数增多即收敛速度变慢。
3. 批量梯度下降法(BGD) 每次使用全部的训练样本来更新模型参数优点每次更新都会朝着正确的方向进行最后能够保证收敛于极值点。缺点每次学习时间过长并且如果训练集很大以至于需要消耗大量的内存不能进行在线模型参数更新。 4.小批量梯度下降法(MBGD) 综合以上两种方法在每次更新速度与更新次数中间的一个平衡其每次更新从训练集中随机选择k个样本进行学习。 5.Momentum动量法 参数更新时在一定程度上保留之前更新的方向同时又利用当前batch的梯度微调最终的更新方向简言之就是通过积累之前的动量来加速当前的梯度。Nesterov 动量法往标准动量中添加了一个校正因子具体做法就是在当前的梯度上添加上一时刻的动量。更好的修正过程Nesterov动量法中的β 6.优化学习率/步长 Adagrad 对于经常更新的参数我们已经积累了大量关于它的知识不希望被单个样本影响太大希望学习速率慢一些对于偶尔更新的参数我们了解的信息太少希望能从每个偶然出现的样本身上多学一些即学习速率大一些。梯度平缓时加大步长 rmsprop rmsprop算法修改了AdaGrad的梯度平方和累加为指数加权的移动平均使得其在非凸设定下效果更好。 7.反向传播算法 BP算法的学习过程由正向传播过程和反向传播过程组成。 四、卷积神经网络 1.感受野 就是指输出feature map上某个元素受输入图像上影响的区域。 内核(kernel)是滤波器(filter)的基本元素多张kernel组成一个filter。 输入通道是3个特征时则每一个filter中包含3张kernel。
   2.下采样(池化) 作用保留主要特征的同时减少参数和计算量防止过拟合提高模型的泛化能力。 最大池化和平均池化保留像素值最大或取平均。
   3.Flattening平整化 Flatten层把多维的输入一维化常用在从卷积层到全连接层的过渡。 4.举例 AlexNet使用ReLU激活函数LetNet5使用sigmod激活函数 博客来源https://blog.csdn.net/wait_ButterFly/article/details/81872706 五、循环神经网络
4. RNN的基本概念 他们都只能单独的取处理一个个的输入前一个输入和后一个输入是完全没有关系的。但是某些任务需要能够更好的处理序列的信息即前面的输入和后面的输入是有关系的。 2.LSTM长短期记忆网络 3.GRU 为了解决长期记忆和反向传播中的梯度等问题而提出来的 4.Attention注意力机制 Attention机制就是对输入的每个元素考虑不同的权重参数从而更加关注与输入的元素相似的部分而抑制其它无用的信息。 5.Transformer模型 相比 RNN 网络结构其最大的优点是可以并行计算。Self-Attention(自注意力)也称为Intra-Attention(内部注意力)是关联单个序列的不同位置的注意力机制以便计算序列的交互表示。