TensorFlow深度学习笔记 从线性分类器到深度神经网络
来源:互联网 发布:redmine windows 安装 编辑:程序博客网 时间:2024/04/27 18:26
Github工程地址:https://github.com/ahangchen/GDLnotes
欢迎star,有问题可以到Issue区讨论
官方教程地址
视频/字幕下载
Limit of Linear Model
- 实际要调整的参数很多
如果有N个Class,K个Label,需要调整的参数就有(N+1)K个
Linear Model不能应对非线性的问题
Linear Model的好处
- GPU就是设计用于大矩阵相乘的,因此它们用来计算Linear Model非常efficient
- Stable:input的微小改变不会很大地影响output
- 求导方便:线性求导是常数
我们希望参数函数是线性的,但整个model是非线性的
所以需要对各个线性模型做非线性组合
- 最简单的非线性组合:分段线性函数(RELU)
Neural network
- 用一个RELU作为中介,一个Linear Model的输出作为其输入,其输出作为另一个Linear Model的输入,使其能够解决非线性问题
- 神经网络并不一定要完全像神经元那样工作
- Chain Rule:复合函数求导规律
- Lots of data reuse and easy to implement(a simple data pipeline)
Back propagation
- 计算train_loss时,数据正向流入,计算梯度时,逆向计算
- 计算梯度需要的内存和计算时间是计算train_loss的两倍
Deep Neural Network
Current two layer neural network:
优化:
- 优化RELU(隐藏层), wider
- 增加linear层,layer deeper
- Performance: few parameters by deeper
- 随层级变高,获得的信息越综合,越符合目标
About t-model
- t-model只有在有大量数据时有效
- 今天我们才有高效的大数据训练方法:Better Regularization
- 难以决定适应问题的神经网络的规模,因此通常选择更大的规模,并防止过拟合
Avoid Overfit
Early Termination
- 当训练结果与验证集符合度下降时,就停止训练
Regulation
- 给神经网络里加一些常量,做一些限制,减少自由的参数
- L2 regularization
在计算train loss时,增加一个l2 norm作为新的损失,这里需要乘一个β(Hyper parameter),调整这个新的项的值
Hyper parameter:拍脑袋参数→_→
- l2模的导数容易计算,即W本身
DropOut
最近才出现,效果极其好- 从一个layer到另一个layer的value被称为activation
- 将一个layer到另一个layer的value的中,随机地取一半的数据变为0,这其实是将一半的数据直接丢掉
- 由于数据缺失,所以就强迫了神经网络学习redundant的知识,以作为损失部分的补充
- 由于神经网络中总有其他部分作为损失部分的补充,所以最后的结果还是OK的
- More robust and prevent overfit
- 如果这种方法不能生效,那可能就要使用更大的神经网络了
- 评估神经网络时,就不需要DropOut,因为需要确切的结果
- 可以将所有Activation做平均,作为评估的依据
- 因为我们在训练时去掉了一半的随机数据,如果要让得到Activation正确量级的平均值,就需要将没去掉的数据翻倍
原文链接:http://www.jianshu.com/p/6d2756d33b67
0 0
- TensorFlow深度学习笔记 从线性分类器到深度神经网络
- TensorFlow 深度学习笔记 从线性分类器到深度神经网络
- Google深度学习笔记 从线性分类器到深度神经网络
- 从神经网络到深度学习
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 卷积神经网络
- TensorFlow深度学习笔记 循环神经网络实践
- Google深度学习笔记 TensorFlow实现与优化深度神经网络
- TensorFlow深度学习笔记 实现与优化深度神经网络
- 深度学习-线性分类
- 深度学习入门笔记--图像线性分类
- 从神经网络到深度学习(一 )
- 深度学习系列(二):从神经网络到深度学习
- js实现跳转到顶部或者底部
- 汉赋的风流
- 机器学习——模型评估与模型选择
- 通向云端之路 谈NVIDIA云游戏概念发展
- 客户端调用axis2
- TensorFlow深度学习笔记 从线性分类器到深度神经网络
- 欢迎使用CSDN-markdown编辑器
- 第39条:必要时进行保护性拷贝
- VC--获取本机 局域网IP 和外网IP
- 利用JavaScript写猜数字小游戏
- 【专题总结】容斥原理(持续更新)
- TensorFlow深度学习笔记 实现与优化深度神经网络
- TensorFlow 深度学习笔记 卷积神经网络
- 跳表