深度學習步驟概覽

step1：建立模型

問題：建立什么樣的模型；選擇多少層數，每層選擇多少神經元

激活函數：

為什么引入激活函數：①為了增強網絡表達能力，我們需要激活函數將“線性函數”轉變為“非線性函數”；②非線性函數的激活函數需要有連續性，因為連續非線性激活函數是可導的，可以用最優化的方法來求解。

常見激活函數如下

?前饋神經網絡

?

?輸出層

step2：損失函數（常用損失函數：平方誤差，交叉熵）

?

?step3：參數學習（）

?梯度下降法

上面的網絡中學要學習的參數特別多，下面的卷積神經網絡可以大幅度降低需要學習的參數。?

卷積神經網絡

卷積神經網絡結構上的三大特性：局部連接；權重共享；下采樣

建立模型

?

?卷積核

?

?

?多通道卷積

?

?池化層

?輸出層

?交叉熵損失函數

總結

以上是生活随笔為你收集整理的神经算法网络基本原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。