网络的宽度和深度

内容与核心概念

在上一页上,层处理一系列实例。
添加神经元或层会改变实际的比重。 这增加了机会和成本,但并不能保证更好的解决方案。
一层为下一层创建中间符号。 非线性不允许将整个序列折叠到一个表格中。 直接分支会将更正添加到上一个状态 。
Для изменения рисунка включитеJavaScript; расчёт и теория доступны далее.
更改结构以改变计算
宽度是隐藏显示的大小, 斜度是连续转换的次数 。 在实验室中, 宽点为2.6, 隐藏部分的深度为1.3, 入口2, 输出1 。 控制器创建了相应的形状的真实矩阵。 在前一个程序里, 所画的圆圈数不会是 MLP 设计师 。
对于一个 hdden 层宽度 h , 参数数为: 2h+h+ha+1=4h+1。 在 h=2 时为 9 , h= 4-17 。 第二 idden lyer 添加 h2+h; 对于 h=4 和 dept2 , 本协议中的输出层被认为与 hddden dept 分开。
实验。
比较同一种子的宽度 2 和 4 , 然后比较深度 1 和 2. 矩阵的尺寸不同, 所以同一边不表示相同的重量。 比较计算、 平均值/ RMS 激活和学习前的偏好 。
N02描述学习表现的构成。 方法理论认为,先决条件中存在适当的参数,但不能保证短时间启动全球数据系统就能找到这些参数。 代表能力和特定乐观主义的结果是不同的。
经验的边界。
所有四个 XOR 点都用于训练。 独立测试不在这里; 显示的准确性被称为训练。 它检查表格的合适性, 而不是转换为任意数据。 短暂的失败发射并不能证明所选的建筑在数学上无法描述 XOR。
代表性能力不等于找到的解决办法。
储存什么和计算什么,这个问题如何继续存在?
第08章Python实例
学术基础