卷積神經(jīng)損失函數(shù)怎么加入正則化？[AI瘋狂高級(jí)正規(guī)化-今日頭條]https://m.toutiaocdn.com/item/6771036466026906123/？app=newsuArticle&timestamp=157662997&reqid=201912180846060100140470162DE60E99&groupid=6771036466026906123&ttfrom=copylink&utmuSource=copylink&utmuMedium=toutiaoios&utmuCampaign=client神經(jīng)網(wǎng)絡(luò)正則化技術(shù)包括數(shù)據(jù)增強(qiáng)、L1、L2、batchnorm、dropout等技術(shù)。本文對(duì)神經(jīng)網(wǎng)絡(luò)正則化技術(shù)及相關(guān)問題進(jìn)行了詳細(xì)的綜述。如果你有興趣，可以關(guān)注我，繼續(xù)把人工智能相關(guān)理論帶到實(shí)際應(yīng)用中去。圖像去卷積正則化方法有哪些？

卷積核用于滑動(dòng)圖像以提取特定特征（如特定方向的邊緣），然后使用relu抑制梯度色散。為了得到結(jié)果，使用另一個(gè)卷積核繼續(xù)提取relu，然后pool（保留大區(qū)域或使用平均區(qū)域替換整個(gè)局部區(qū)域的值，確保平移不變性，并在一定程度上抑制過擬合）

成都創(chuàng)新互聯(lián)自2013年起，先為亭湖等服務(wù)建站，亭湖等地企業(yè)，進(jìn)行企業(yè)商務(wù)咨詢服務(wù)。為亭湖企業(yè)網(wǎng)站制作PC+手機(jī)+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。

在“depth”之后，我們需要繼續(xù)使用不同的卷積核來合并合并結(jié)果。最后，本質(zhì)是一幅圖像的深度特征，然后實(shí)際的分類需要添加另一層，一般是softmax。

（也就是說，對(duì)于已經(jīng)訓(xùn)練過的現(xiàn)成的卷積神經(jīng)網(wǎng)絡(luò)模型，只保留最后一層以外的部分，然后輸入訓(xùn)練圖片，并將網(wǎng)絡(luò)的輸出發(fā)送給多類支持向量機(jī)進(jìn)行再訓(xùn)練。最后，根據(jù)支持向量機(jī)的參數(shù)，可以得到相同的結(jié)果。）

為什么卷積神經(jīng)網(wǎng)絡(luò)很快就收斂了？

數(shù)據(jù)沒有標(biāo)準(zhǔn)化。

我沒有檢查你的結(jié)果。結(jié)果包括預(yù)處理結(jié)果和最終的訓(xùn)練測(cè)試結(jié)果。

忘記做數(shù)據(jù)預(yù)處理。

忘記使用正則化。

批量設(shè)置太大。

學(xué)習(xí)速率設(shè)置不正確。

未正確使用最后一層的激活功能。

網(wǎng)絡(luò)中存在不良梯度。例如，relu到負(fù)值的梯度為0。當(dāng)它向后傳播時(shí)，0的漸變不會(huì)傳播。

參數(shù)初始化錯(cuò)誤。

網(wǎng)絡(luò)太深。

隱藏層中的神經(jīng)元數(shù)量錯(cuò)誤。

比較以上11項(xiàng)找出錯(cuò)誤

如果你是一個(gè)面試者，怎么判斷一個(gè)面試官的機(jī)器學(xué)習(xí)水平？

卷積核數(shù)濾波器卷積核大小uu卷積核權(quán)參數(shù)初始分布卷積核偏差參數(shù)初始分布池大小池步長(zhǎng)池優(yōu)化算法目標(biāo)函數(shù)批量大小正則化數(shù)據(jù)預(yù)處理會(huì)影響太多的參數(shù)

簡(jiǎn)單的答案是肯定的。復(fù)雜的答案是不確定的（見下文）。

這個(gè)概念。

（圖片作者：chabacano，許可證：CCbysa4.0）

從圖像中可以明顯看出，過度擬合的曲線過于曲折（復(fù)雜），對(duì)現(xiàn)有數(shù)據(jù)擬合得非常好，但它不能很好地描述數(shù)據(jù)的規(guī)律，因此面對(duì)新數(shù)據(jù)，我們不得不停下來。

從上面我們得到一個(gè)直覺，過度擬合的模型往往比正確的模型更復(fù)雜。

。您所說的“直接減少隱藏層和隱藏單元的數(shù)量”使網(wǎng)絡(luò)更薄、更窄正是簡(jiǎn)化模型的方法。這個(gè)想法沒有問題。

但是，我們可能必須嘗試找出它是否有效。因?yàn)?，一般來說，更復(fù)雜的網(wǎng)絡(luò)可能更有表現(xiàn)力。

一般來說，神經(jīng)網(wǎng)絡(luò)仍然是一個(gè)黑匣子。有時(shí)，正則化的效果更好，有時(shí)則不然。一些問題可能是復(fù)雜的網(wǎng)絡(luò)工作得很好，另一些問題可能是深度和狹窄的網(wǎng)絡(luò)工作得很好，另一些問題可能是薄而寬的網(wǎng)絡(luò)工作得很好，或者一些問題可能是簡(jiǎn)單的網(wǎng)絡(luò)工作得很好。

具體來說，為了解決過擬合問題，除了簡(jiǎn)化模型（即您稱之為“直接減少隱藏層、隱藏層、隱藏層”）外，還存在漏項(xiàng)（在某種意義上，我們可以看到模型的某些部分由于簡(jiǎn)化模型的繞道而無法工作），以及人為增加稀疏性限制（稀疏性和簡(jiǎn)化之間存在模糊關(guān)系）或盡快停止訓(xùn)練。

本文名稱：卷積神經(jīng)網(wǎng)絡(luò)原理卷積神經(jīng)損失函數(shù)怎么加入正則化？-創(chuàng)新互聯(lián)
路徑分享：http://weahome.cn/article/hggch.html