神经网络的学习 Neural Networks learing
浏览数：27 /
时间：2015年06月09日
1.一些基本符号
2.COST函数
================Backpropagation Algorithm=============
1.要计算的东西
2.向前传递向量图，但为了计算上图的偏导，要用到后向传递算法
3.后向传递算法
4.小题目
==============Backpropagation Intuition==============
1.前向计算与后向计算很类似
2.仅考虑一个例子，COST函数化简
3.倒着算theta
=======Implementation Note: Unrolling Parameters=======
1.参数的展开
2.学习算法
============Gradient Checking====================
1.梯度的数字计算
2.所有的梯度的近似计算
3.回退计算而不是梯度计算的本质原因
4.实现注意点
============Random Initialization=============
1.zero initial 对神经网络不适合
2.随机对称初始化
==========Putting It Together==============
1.隐含层越多，则计算量越大。隐含层节点相同比较好。
2.训练神经网络的步骤，其实跟回归很像。关键是用后退算偏导。
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
