From 2fa235a48de5121c4a4d971f2e72e0aa98489418 Mon Sep 17 00:00:00 2001 From: Rain&Bus Date: Mon, 1 Apr 2024 16:58:15 +0800 Subject: [PATCH] vault backup: 2024-04-01 16:58:15 --- Books/动手学深度学习/基础概念.md | 6 +++--- 1 file changed, 3 insertions(+), 3 deletions(-) diff --git a/Books/动手学深度学习/基础概念.md b/Books/动手学深度学习/基础概念.md index ff133c7..aff4603 100644 --- a/Books/动手学深度学习/基础概念.md +++ b/Books/动手学深度学习/基础概念.md @@ -16,10 +16,10 @@ $L(\mathbf{w}, b) = \frac1n\sum_{i=1}^{n} l^i(\mathbf{x}, b)$ 在MLP中，由于多个线性层叠加，最终的结果和单层感知机并无区别，加入激活函数后，可以引入非线性。 常用的有sigmoid、ReLU、tanh等函数。 # 正则化 -主要用来解决过拟合问题，使得z。 +主要用来解决过拟合问题。 - 权重衰减 通过L2范数，惩罚大的权重值，使得模型的参数更加稀疏平均，从而使得模型不过于依赖某些特征，从而提升了泛化能力。 正则化损失函数：$L = L_0 + \lambda ||\mathbf w||^2$ 反向传播：$w_i ← w_i - \alpha(\frac{\partial L_0}{\partial w_i} + \lambda w_i)$ - 通过反向传播的过程我们可以看到，每次迭代后，权重的值都会变为$(1 - \lambda \alpha)$倍，使得权重值更加靠近零，是模型偏向于学习更加简单的，泛化。 -- \ No newline at end of file + 通过反向传播的过程我们可以看到，每次迭代后，权重的值都会变为$(1 - \lambda \alpha)$倍，使得权重值更加靠近零，但是不为0，使模型偏向于学习更加简单的、泛化性能更高的模型。L1正则化则会导致模型将权重集中在一部分特征上，将其它权重清零，这称之为特征选择。 +- Dropout \ No newline at end of file