本文主要是介绍深度学习基础课:“判断性别”Demo需求分析和初步设计(下1),对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
大家好~我开设了“深度学习基础班”的线上课程,带领同学从0开始学习全连接和卷积神经网络,进行数学推导,并且实现可以运行的Demo程序
线上课程资料:
本节课录像回放
加QQ群,获得ppt等资料,与群主交流讨论:106047770
本系列文章为线上课程的复盘,每上完一节课就会同步发布对应的文章
本文为第二节课:“判断性别”Demo需求分析和初步设计(下1)的复盘文章
本课程系列文章可进入索引查看:
深度学习基础课系列文章索引
目录
- 回顾相关课程内容
- 主问题:什么是损失函数
- 主问题:什么是随机梯度下降
回顾相关课程内容
- 第二节课:“判断性别”Demo需求分析和初步设计(中)
- 什么是神经网络 ?
- 为什么引入神经网络?
- 前向传播算法包括哪些步骤?
主问题:什么是损失函数
为什么引入损失函数?
- 虽然神经网络的未知量的数量比起神经元来说更多,但如果推理的样本数量比神经网络的未知量的数量更多时,该怎么办?
- 继续增加神经网络中的权重、偏移数量(如增加层、增加每层的神经元)?
不能,因为:
这会增加计算成本;
样本数量可以任意多,但无法无限地增加神经网络中的权重、偏移数量
所以应该保持神经网络中的权重、偏移数量不变
- 在训练后仍然会得到一组权重、偏移,但在推理阶段对于每个样本推理的输出值仍然等于真实值吗?
不等于
- 我们希望的结果是什么?
每个样本推理的输出值尽量接近真实值
- 因此,在训练时需要得到一组合适的权重、偏移,使得每个样本推理的输出值尽量接近真实值
- 那么,如何具体判断得到的一组权重、偏移是合适的呢?
需要引入损失函数
这篇关于深度学习基础课:“判断性别”Demo需求分析和初步设计(下1)的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!