2019年4月16日
PReLU——Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification
摘要： 1. 摘要 在 $ReLU$ 的基础上作者提出了 $PReLU$，在几乎没有增加额外参数的前提下既可以提升模型的拟合能力，又能减小过拟合风险。 针对 $ReLU/PReLU$ 的矫正非线性，作者设计了一个鲁棒的的参数初始化方法。 2. 介绍 在过去几年，随着更强大网络模型的构建和有效防止过拟合策略的 阅读全文
posted @ 2019-04-16 15:53 seniusen 阅读(641) 评论(0) 推荐(0)