文章 "多层感知机与反向传播算法"

新评论
 

新文章 多层感知机与反向传播算法已发布：

这两种方法的普及性日益增加，因此在 Matlab、R、Python、C++ 等领域开发了大量的库，它们接收到一个训练集作为输入，并自动为问题创建合适的网络。让我们试着理解基本的神经网络类型是如何工作的（包括单神经元感知机和多层感知机）。我们将探讨一个令人兴奋的算法，它负责网络训练 - 梯度下降和反向传播。现有的复杂模型往往基于这样简单的网络模型。

梯度下降是在成本函数的梯度方向上最小化函数的过程。

这意味着要知道成本形式，以及导数，这样我们就可以知道从某个点开始的梯度，并且可以朝这个方向移动，例如向下，朝着最小值移动。


在机器学习中，我们可以使用一种技术来评估和更新每次迭代的权重，称为随机梯度下降。它的目的是最小化训练数据中的模型误差。

该算法的思想是每次向模型显示一个训练实例，该模型为训练实例创建预测，然后计算误差并更新模型，以减少下一次预测中的误差。

这个过程可以用来寻找一组产生最小误差的模型权重。

作者：Jonathan Pereira

 
MetaQuotes:

新文章 多层感知机与反向传播算法已发布：

作者：Jonathan Pereira

Good
新评论