zoukankan      html  css  js  c++  java
  • 深度学习的优化与正则化

    神经网络有很强的表达能力,但是当应用神网络模型到机器学习时依然存在一些难点问题:

    1. 优化问题:深度神经网络的优化十分困难。首先,神经网络的损失函数是一个非凸函数,找全局最优解比较困难;其次深度网络的参数通常非常多,训练数据也比较大,因此无法使用计算代价很高的二阶优化方法,而一阶优化方法的训练效率通常比较低。此外,深度神经网络存在梯度消失或爆炸问题,导致基于梯度的优化方法经常失败。
    2. 泛化问题:由于深度神经网络的复杂度比较高,并且拟合能力很强,很容易在训练集上产生过拟合。因此在训练深度神经网络时,同时也需要通过一定的正则化方法来改进网络的泛化能力。
  • 相关阅读:
    ERROR: epmd error for host "yourhostname": timeout
    leetcode485
    leetcode463
    leetcode496
    leetcode344
    leetcode412
    leetcode500
    leetcode476
    leetcode557
    leetcode461
  • 原文地址:https://www.cnblogs.com/go-ahead-wsg/p/14171653.html
Copyright © 2011-2022 走看看