Hinton Neural Networks课程笔记1d:一个简单的机器学习实例
来源:互联网 发布:trustdata移动大数据 编辑:程序博客网 时间:2024/04/29 18:25
这里介绍一个用于识别数字的模型实例,输入是图像(即n个pixel),输出是数字类别。这里采用的模型是每个pixel对每个数字类别进行加权投票,最后票数多的类别获胜,其实就是一个线性函数。
那这里面有一个权重表示方法还是蛮有意思的,权重用和输入相同的一张图表示,位置对应于输入的pixel的位置,正负用黑白表示,权重绝对值大小用点的大小表示。这样就可以直观的查看权重了。
学习算法是一种早期机器学习常见的简单算法:输入数据对应的真值权重矩阵在输入的active区域增加,而对于输入数据的预测label对应的权重矩阵相应区域减少。
最后学习到一个模板,如下图:
最后Hinton提到,这种算法其实就是在去找一个模板,然后对于输入数据寻找和模板重合最多的数字类别输出。但对于手写数字而言,可变性极高,很难用一个模板来覆盖所有情况。
阅读全文
0 0
- Hinton Neural Networks课程笔记1d:一个简单的机器学习实例
- Hinton Neural Networks课程笔记2d:为什么感知机的学习算法可以收敛
- Hinton Neural Networks课程笔记1e: 监督学习、强化学习、无监督学习,及其应用
- Hinton Neural Networks课程笔记3a:线性神经元的学习算法
- Hinton Neural Networks课程笔记1b:神经网络模拟的大脑机理
- Hinton Neural Networks课程笔记3d:反向传播算法(BP)
- Hinton Neural Network课程笔记1a:为什么需要机器学习?
- Hinton Neural Networks课程笔记quiz 3:带有隐层的非线性神经网络不一定能学习线性函数
- Hinton Neural Networks课程笔记3c:学习逻辑斯蒂回归
- Hinton Neural Networks课程笔记4c:softmax输出神经元
- Hinton Neural Networks课程笔记2c:感知机的几何解释
- Hinton Neural Networks课程笔记2e:感知机的局限性
- Hinton Neural Networks课程笔记3b:线性神经元的误差曲面
- Coursera机器学习课程笔记(5) Neural Networks Representation
- Hinton Nerual Networks课程笔记9d:贝叶斯方法入门
- Hinton Neural Networks课程笔记3e:如何利用梯度值训练网络(学习策略和过拟合抑制)
- Hinton Neural Networks课程笔记2a:三种主要的神经网络框架之前向网络、循环神经网络和对称网络
- Hinton Neural Networks课程笔记1c:几种激活函数Linear、Binary、ReLU、Stochastic binary neurons
- Mysql学习_update_orderby_limit
- 百度音乐Api简单简单实用实例及封装
- 使用Intent进行活动间的跳转
- 用Apache Spark进行大数据处理——第二部分:Spark SQL
- Java基础(五)----内部类总结
- Hinton Neural Networks课程笔记1d:一个简单的机器学习实例
- 文章标题
- POJ 3126 Prime Path(BFS)
- 19.S5PV210串口基本操作
- 数据结构(C++语言版)第三版pdf
- 【ios】xcode等开发资源下载官网网址
- EditText保留小数位数的问题
- 判断一棵二叉树是否为搜索二叉树、完全二叉树、平衡二叉树(java)
- driver: linux2.6 内核模块导出函数实例(EXPORT_SYMBOL)