未雨愁眸 - 博客园

公告

摘要：方便起见，本文仅以三层的神经网络举例。f(⋅)：表示激励函数xi：表示输入层；yj：表示中间的隐层； yj=f(netj)netj=∑i=0nvijxiok：表示输出层，dk 则表示期望输出； ok=f(netk)netk=∑j=0mwjkyjvij,wjk 分别... 阅读全文

posted @ 2017-03-02 19:12 未雨愁眸阅读(689) 评论(0) 推荐(0)

摘要：机器学习基础（七）——sigmoid 函数的性质机器学习基础（五十六）—— tanh、sign 与 softsign 深度学习基础（十二）—— ReLU vs PReLUsigmoid：单极性，连续，可导；tanh：双极性，连续，可导；注意 tanh（双曲正切函数）... 阅读全文

posted @ 2017-03-02 17:28 未雨愁眸阅读(327) 评论(0) 推荐(0)

posted @ 2017-03-02 17:28 未雨愁眸阅读(355) 评论(0) 推荐(0)

摘要： gcf：获取当前显示图像的句柄；默认 plot 的 position 是 [232 246 560 420]0. save>> A = randn(3, 4);>> B = 'hello world';>> save 'data.mat' A B ... 阅读全文

posted @ 2017-03-02 12:59 未雨愁眸阅读(842) 评论(0) 推荐(0)

摘要： gcf：获取当前显示图像的句柄；默认 plot 的 position 是 [232 246 560 420]0. save>> A = randn(3, 4);>> B = 'hello world';>> save 'data.mat' A B ... 阅读全文

posted @ 2017-03-02 12:59 未雨愁眸阅读(289) 评论(0) 推荐(0)

摘要： 1. 使用 title 的 ‘position’ 属性进行设置plot(1:10, 1:10), title('y=x', 'position', [5.5, 0])2. 使用 xlabelplot(1:10, 1:10), xlabel('y=x')imshow('... 阅读全文

posted @ 2017-03-02 12:41 未雨愁眸阅读(1534) 评论(0) 推荐(0)

摘要： 1. 使用 title 的 ‘position’ 属性进行设置plot(1:10, 1:10), title('y=x', 'position', [5.5, 0])2. 使用 xlabelplot(1:10, 1:10), xlabel('y=x')imshow('... 阅读全文

posted @ 2017-03-02 12:41 未雨愁眸阅读(353) 评论(0) 推荐(0)

摘要：权值越多，需要的样本量就会很大；也即需要提供与网络规模相适应的大规模数据；1. 模型的理解能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述和定义这种映射关系的数学方程。BP 神经网络等价于一个通用的逼近器（universal approximator）；... 阅读全文

posted @ 2017-03-02 11:00 未雨愁眸阅读(146) 评论(0) 推荐(0)

posted @ 2017-03-02 11:00 未雨愁眸阅读(185) 评论(0) 推荐(0)

摘要： 1. 输入样本的处理听起来似乎是一个比较奇怪的说法，不对输入做任何处理的话，是无法求解异或问题的。这里提供一种对输入进行处理的可行方式：对输入样本做必要的升维处理，其实质是引入非线性分量。如下图所示： X = [0, 0, 0; 0, 1, 1; 1, 0, 1; ... 阅读全文

posted @ 2017-03-02 10:42 未雨愁眸阅读(165) 评论(0) 推荐(0)