李宏毅《机器学习》学习笔记5.2
2021/7/22 6:09:41
本文主要是介绍李宏毅《机器学习》学习笔记5.2,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!
4.classification
分类模型的输出
若是将不同分类编号作为真值,可能让模型误认为相邻的分类是相近的,因此使用向量表示不同类别。
模型最后的输出值需要softmax处理,使得输出值落在0-1区间。softmax和标准化类似。
分类模型loss function
分类模型的loss通过cross-entropy计算,因为传统的均方根方法在loss大值区斜率过于平坦,训练时容易卡住。
5.feature normalization
让不同维度的特征标准化,更利于loss的收敛。
各layer的输出也要进行标准化,与输入时各个feature在各自维度上标准化不同,layer的输出需要一起标准化。
这种将所有input共同标准化的方法,使得除了本身的网络,还有另一个“巨大的网络”来计算\(\mu\)和\(\sigma\)。另外为了避免各输出平均值为0带来的限制,在训练后期可以引入参数\(\beta\)和\(\gamma\)。
在实际testing过程中,我们可能等不到样本够一个batch就运行,那该如何计算\(\mu\)和\(\sigma\)呢?在训练过程中,我们可以使用先前计算好的\(\mu\)和\(\sigma\)的平均值。
这篇关于李宏毅《机器学习》学习笔记5.2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!
- 2024-10-28机器学习资料入门指南
- 2024-10-25机器学习开发的几大威胁及解决之道
- 2024-10-24以下是五个必备的MLOps (机器学习运维)工具,帮助提升你的生产效率 ??
- 2024-10-15如何选择最佳的机器学习部署策略:云 vs. 边缘
- 2024-10-12从软件工程师转行成为机器学习工程师
- 2024-09-262024年机器学习路线图:精通之路步步为营指南
- 2024-09-13机器学习教程:初学者指南
- 2024-08-07从入门到精通:全面解析机器学习基础与实践
- 2024-01-24手把手教你使用MDK仿真调试
- 2024-01-10基于“小数据”的机器学习