904
💰 积分
19
📝 发帖
30
💬 评论
11
❤️ 获赞
1
✨ 魅力值
1
🎯 粉丝
4
👥 关注
5
💎 精华
3
🏅 等级
当前：搬砖小工（Lv.3）
下一等级：Lv.4 还需 596 积分
评论于：多元微积分笔记
· 1个月前
本帖问题：<br><div><br>雅可比矩阵对输入为向量，输出为标量的函数定义了类似“一阶导”的概念</div><div><br>雅可比矩阵对输入为向量，输出为向量的函数定义了类似“一阶导”的概念</div><div><br>雅可比矩阵对输入为向量，输出为标量的函数定义了类似“二阶导”的概念</div><div><br>海森矩阵对输入为向量，输出为标量的函数定义了类似“二阶导”的概念</div><div><br>海森矩阵对输入为向量，输出为标量的函数定义了类似“二阶导”的概念</div><div><br>海森矩阵对输入为向量，输出为向量的函数定义了类似“一阶导”的概念</div><div><br>梯度是局部一阶近似</div><div><br>梯度是局部二阶近似</div><div><br>雅可比矩阵是局部一阶近似</div><div><br>雅可比矩阵是局部二阶近似</div><div><br>海森矩阵是局部一阶近似</div><div><br>海森矩阵是局部二阶近似</div>
👍 0 赞
评论于：深度学习中的正则化方法
· 1个月前
本贴投票：<div><div style="color: rgb(76, 79, 105); background-color: rgb(239, 241, 245); font-family: "Maple Mono", "Maple Mono NF CN", Consolas, "Courier New", monospace, Consolas, "Courier New", monospace; line-height: 19px; white-space: pre;"><div><span style="color: #179299;">1.</span> 早停法保留能使代价最低的参数</div><div><span style="color: #179299;">2.</span> 早停法保留最后一次训练得到的参数</div><div><span style="color: #179299;">3.</span> 对抗训练让模型学习它容易出错的样本</div><div><span style="color: #179299;">4.</span> 对抗训练同时运行两个模型，优胜劣汰</div><div><span style="color: #179299;">5.</span> Dropout 近似模型集成</div><div><span style="color: #179299;">6.</span> Dropout 丢弃部分样本</div><div><span style="color: #179299;">7.</span> Dropout 是一种参数绑定方法</div><div><span style="color: #179299;">8.</span> 正切传播使用正切函数</div><div><span style="color: #179299;">9.</span> 正切传播假设数据处于低维流形</div></div></div>
👍 0 赞
评论于：深度学习中的正则化方法
· 1个月前
本帖问题：<div><div>1. 早停法保留能使代价最低的参数</div><div>2. 早停法保留最后一次训练得到的参数</div><div>3. 对抗训练让模型学习它容易出错的样本</div><div>4. 对抗训练同时运行两个模型，优胜劣汰</div><div>5. Dropout 近似模型集成</div><div>6. Dropout 丢弃部分样本</div><div>7. Dropout 是一种参数绑定方法</div><div>8. 正切传播使用正切函数</div><div>9. 正切传播假设数据处于低维流形</div></div>
👍 0 赞