@激活函數 / 博客 RSS 訂閱

Nov 19 2025

編程小達人 - 深層神經網絡的優點 神經網絡淺層和深層

深層神經網絡 淺層神經網絡和深層神經網絡的主要區別在於隱藏層的多少。隱藏層的層數越多，神經網絡越深。 深層神經網絡的一些符號定義： L L : 神經網絡的層數 n[l]n[l]: 第l l 層的神經單元個數 a[l]=g[l](z[l])a[l]=g[l](z[l]): 第l l 層的激活

deeplearning.ai , 神經網絡 , 激活函數 , 第1課 , 人工智能 , 深層神經網絡的優點

收藏 評論

Nov 19 2025

mob64ca13fe1aa6 - 人工智能學習筆記----01_hhh江月的技術博客

Deep Learning 基礎知識 Loss Function: MSE(mean square error loss)（均方誤差） CEE(cross entropy error loss)（交叉熵誤差） Backward: Sigmoid: ReLU:（分

卷積 , 大數據 , 激活函數 , hadoop , 全連接

收藏 評論

Nov 27 2025

編程夢想編織者 - 神經網絡至少要多少數據 神經網絡有

目錄 迷人的神經網絡——機器學習筆記1 第1章 神經元模型及網絡結構 1.1 神經元模型 1.1.1 單輸入神經元 1.1.2 激活函數 1.1.3 多輸入神經元 1.2 網絡結構 1.2.1 單層神經網絡 1.2.2 多層神經網絡

神經網絡 , 激活函數 , 權值矩陣 , 神經網絡至少要多少數據 , 感知機 , 人工智能

收藏 評論

Nov 18 2025

技術極客俠 - LSTM解決了RNN的侷限性

引入LSTM 儘管RNN被設計成可以利用歷史的信息來輔助當前的決策，但是由於在上節提到的梯度消失或者梯度爆炸問題，RNN主要還是學習短期的依賴關係。所以RNN新的技術挑戰就是-長期依賴。 長短時記憶網絡(Long Short Term Memory Network, LSTM)，是一種改進之後的循環神經網絡，可以解決RNN無法處理長距離的依賴

機器學習 , 神經網絡 , 激活函數 , 循環神經網絡 , 人工智能 , 深度學習 , LSTM解決了RNN的侷限性

收藏 評論

Nov 25 2025

技術領航博主 - Leaky ReLU和ReLU的關係

論文提出了動態ReLU，能夠根據輸入動態地調整對應的分段激活函數，與ReLU及其變種對比，僅需額外的少量計算即可帶來大幅的性能提升，能無縫嵌入到當前的主流模型中   論文: Dynamic ReLU 論文地址：https://arxiv.org/abs/2003.10027 論文代碼：https://githu

歸一化 , Dynamic , Leaky ReLU和ReLU的關係 , 激活函數 , 人工智能 , 深度學習

收藏 評論