传统神经网络

一、神经网络起源:线性回归

  1.线性回归:

    (1)概念:线性关系来藐视输入到输出的映射关系

    (2)应用场景:网络分析,银行风向分析

    (3)线性回归问题:

    

    优化方法:梯度下降法SGD

    

  梯度下降总结:

  2.线性回归多个y值的输出

    (1)多目标学习的过程,通过合并多个任务loss,一般能够产生比单个模型更好的效果

      (2)局限:线性回归能够清楚的描述分割线性分布的数据,对非线性分布的数据描述比较弱

二、从线性到非线性

  1.非线性激励

  2.评价非线性激励的标准:

    (1)正向输入的调整

    (2)反向梯度损失

  3.常用的非线性激励函数

    (1)Sigmoid

      函数效果,导数

      优点,缺点

      将输入数据映射到[0,1]

      梯度下降非常明显,至少减少75%

 

    (2)tanh函数

      函数效果,导数

      优点、缺点

      将数据映射到[-1,1],梯度损失明显

    (3)relu函数,导数

      优点,缺点

    (4)Leaky ReLU

      函数效果,导数

      优点,缺点

 

 

三、神经网络的构建

 

 

四、神经网络的配件

  1.损失函数-Loss

    (1)影响深度学习行性能的最重要的因素之一,就是外部世界对神经网络模型的直接训练。

    (2)合适的损失韩式能够确保深度学习模型收敛。

    (3)设计合适的损失函数是研究工作的主要内容之一。

    (4)softmax

    loss影响

    softmax的好处:分类问题的预测结果更为明显

  2.学习率:learning rate

    数值大:收敛速度快

    数值小:精度高

     如何选用合适的学习率?

      1.fixed;2.step;3.Adagrad

  3.动量

    (1)正常:x+=-learning_rate*dx

    (2)用动量和直接调大学习率有什么区别?

  4.过拟合:

    (1)

    (2)应对:Dropout,Pooling

      

    

    

 

posted @ 2019-01-18 19:00  stone1234567890  阅读(1446)  评论(0编辑  收藏  举报