神经网络与深度学习:改进学习方法
本文聚焦于"如何改进神经网络的学习",涵盖以下核心主题:交叉熵代价函数、Softmax与对数似然、过拟合与正则化(L1/L2/Dropout)、数据增强、权重初始化、数据预处理、优化算法(Hessian/动量)、以及其他激活函数(tanh/ReLU)。掌握这些技术能显著提升网络的训练速度与泛化能力。
笔记3360字 #算法

本文聚焦于"如何改进神经网络的学习",涵盖以下核心主题:交叉熵代价函数、Softmax与对数似然、过拟合与正则化(L1/L2/Dropout)、数据增强、权重初始化、数据预处理、优化算法(Hessian/动量)、以及其他激活函数(tanh/ReLU)。掌握这些技术能显著提升网络的训练速度与泛化能力。

本文介绍神经网络入门知识,包括感知机、Sigmoid神经元、网络架构、手写数字识别以及梯度下降算法;第二部分深入讲解反向传播算法,包括符号定义、四个基本方程、算法步骤及其全局直觉理解

基于规范提供更丰富的提交历史信息,加速代码审查,和保持提交历史的整洁

只要博客支持 RSS 输出(通常为 rss.xml 或 atom.xml),通过使用 blog-post-workflow 这个 GitHub Action,即可实现每当博客更新时,GitHub 主页会自动抓取并生成文章列表,来展示开发者的活跃度与技术积累。



(备课用)人工智能导论(人工智能相关串讲)


