神经网络与深度学习(完整版)
首页 白天 夜间 下载 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签
编辑文档

为什么深度神经网络的训练是困难的

来源 1 浏览 894 扫码 打印 2018-07-20 07:12:40
    上一篇:
    下一篇:
    • 书签
    • 添加书签 移除书签
    • Introduction
    • 使用神经网络识别手写数字
      • 感知机
      • sigmoid神经元
      • 神经网络的结构
      • 用简单的网络结构解决手写数字识别
      • 通过梯度下降法学习参数
      • 实现我们的神经网络来分类数字
      • 迈向深度学习
    • 改进神经网络的学习方法
      • 交叉熵代价函数
      • 用交叉熵解决手写数字识别问题
      • 交叉熵的意义是什么？它又是怎么来的？
      • Softmax
      • 过拟合和正则化
        • 正则化
        • 为什么正则化能够降低过拟合
      • 其它正则化技术
      • 参数初始化
      • 重温手写数字识别：代码
      • 如何选择神经网络的超参数
      • 其它技术
    • 神经网络可以计算任何函数的可视化证明
      • 两个预先声明
      • 一个输入和一个输出的普遍性
      • 多个输入变量
      • S型神经元的延伸
      • 修补阶跃函数
      • 结论
    • 为什么深度神经网络的训练是困难的
      • 梯度消失问题
      • 什么导致了消失的梯度问题？深度神经网络中的梯度不稳定性
      • 在更加复杂网络中的不稳定梯度
      • 其他深度学习的障碍
    • 深度学习
      • 介绍卷积网络
      • 卷积神经网络在实际中的应用
      • 卷积网络的代码
      • 图像识别领域中的近期进展
      • 其他的深度学习模型
      • 神经网络的未来
    • 附录：是否有关于智能的⼀个简单的算法？
    • 反向传播算法是如何工作的
      • 热身：一个基于矩阵的快速计算神经网络输出的方法
      • 关于代价函数的两个假设
      • Hadamard积，s⨀t
      • 反向传播背后的四个基本等式
      • 四个基本方程的证明（自选）
      • 反向传播算法
      • 反向传播算法代码
      • 为什么说反向传播算法很高效
      • 反向传播：整体描述
    暂无相关搜索结果！

      本文档使用 全库网 构建

      展开/收起文章目录

      思维导图备注

      文章二维码

      手机扫一扫，轻松掌上读

      文档下载

      请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
      PDF文档 EPUB文档 MOBI文档

      书签列表

        阅读记录

        阅读进度: 0.00% ( 0/0 ) 重置阅读进度