深度學習deeplearning-在線瀏覽
2024-08-29 23:26本頁面
【正文】 Vector Machines）、 Boosting、最大熵方法（ Logistic Regression）等。 ? 其局限性在于有限樣本和計算單元情況下對 復雜函數(shù)的表示能力有限 ，針對復雜分類問題其泛化能力受到一定制約。如果 I=O，這個系統(tǒng)的信息沒有任何損失。通過這種方式，就可以實現(xiàn)對輸入信息進行分級表達了。 深度學習 ? Deep Learning可以看成是神經(jīng)網(wǎng)絡的發(fā)展。比如 BP神經(jīng)網(wǎng)絡，如果層次達到 7層以上。而且容易收斂到局部極小值。 ? 2022年的 3篇論文改變了這種狀況： 深度學習 ? 深度學習過程： ? 使用自下上升 非監(jiān)督學習 （就是從底層開始，一層一層的往頂層訓練）。 ? 自頂向下的 監(jiān)督學習 （就是通過分類的數(shù)據(jù)去訓練，誤差自頂向下傳輸，對網(wǎng)絡進行微調(diào)）。 深度學習 常用模型 ? AutoEncoder ? Sparse AutoEncoder ? Restricted Boltzmann Machine (RBM) ? Denoising AutoEncoders ? Convolutional Neural Networks AutoEncoder ? 設計一個神經(jīng)網(wǎng)絡，訓練調(diào)整其參數(shù)，得到每一層中的權(quán)重，使得輸出與輸入是相同的。 AutoEncoder ? 下一層訓練 AutoEncoder ? 前面的過程是無監(jiān)督的過程。任何一個坐標都可以用 a*（ 1,0） + b*（ 0,1）。 ? 稀疏編碼對于一組輸入向量，只有少數(shù)幾個系數(shù)遠大于零。所有的節(jié)點都是隨機二值變量節(jié)
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1