2013年9月30号 UFLDL tutorial之BP算法
来源:互联网 发布:epoll 高性能网络库 编辑:程序博客网 时间:2024/06/08 01:49
实际中我们通常会有训练数据,训练数据格式为
很显然,这是有监督的训练方式。
上一篇中,我们已经获得前向输出结果hwb,接下来,要根据机器学习中的常用方法进行最优化,也就是将
进行最小值求解,得到参数W和b
但是呢,为了防止数据的过拟合,通常会加入惩罚项,所以上式就变为
加入惩罚项,参数W中值越大惩罚的越厉害。
为什么仅仅对W进行惩罚呢,因为对b的惩罚,有和没有结果是一样的,所以就不加入b了
important tips:在初始化W的时候,尽量随机初始化,防止出现symmetry breaking。
通常呢,我们会使用梯度下降的方法进行求取极值,
接下来,便是如何求取上面两个式子中的偏导项,即
在求取上面两个偏导的过程中,如果直接求取,会非常困难,那么就引入了迭代,一层层的求取,首先求取的是最后一层的导数,
至于这个结果怎么出来的,其实挺简单,只需在求导的过程中转换一下,具体的可以参阅其他blog中的讲解。
紧接着,求出倒数第二层,第三层的导数,
到最后,这两项的结果为
在编程的过程中呢,我们就只需计算之中的即可
这样呢,我们就通过BP算法求出W和b的局部最优解
- 2013年9月30号 UFLDL tutorial之BP算法
- 2013年9月30号 UFLDL tutorial之neural networks
- 2013年9月30号 UFLDL tutorial之梯度检验
- 深度学习UFLDL教程翻译之BP算法
- 图片预处理之PCA(UFLDL Tutorial)
- Stanford UFLDL教程 反向传播算法(BP算法)
- Stanford UFLDL教程(一)--神经网络、BP算法、BP初始值设置和梯度检验
- BP算法之tricks
- 神经网络之BP算法
- 神经网络之BP算法
- UFLDL Tutorial 线性回归
- UFLDL Tutorial 逻辑回归
- UFLDL Tutorial 笔记
- UFLDL Tutorial-Vectorization
- UFLDL Tutorial-Softmax Regression
- UFLDL Tutorial-Logistic Regression
- UFLDL Tutorial Exercise
- UFLDL Tutorial 学习笔记
- FTP工具类
- Android 去标题问题
- Netd和framework层的通信,主要解释socket
- 从K近邻算法、距离度量谈到KD树、SIFT+BBF算法
- 【为什么Win7分区越多越糟】
- 2013年9月30号 UFLDL tutorial之BP算法
- Linux下查看编译参数(不断补充中)
- jquery.masonry.js
- CWND * 与 HWND 转换
- SYN Cookie原理及其在Linux内核中的实现
- C#比较两个日期的大小
- 《编程之美》中黑球,白球各100,问最后剩下一个是黑球的概率
- 生产者消费者模型
- mysql 触发器实例