- 博客(3)
- 收藏
- 关注
原创 2021-01-21
''' predictions: 你的预测结果(一般也就是你的网络输出值)大小是预测样本的数量乘以输出的维度 target: 实际样本类别的标签,大小是样本数量的个数 k: 每个样本中前K个最大的数里面(序号)是否包含对应target中的值 '''import tensorflow as tfA = tf.Variable([[0.8, 0.4, 0.5, 0.6],[0.1, 0.9, 0.2, 0.4],[0.1, 0.9, 0.4, ...
2021-01-21 20:45:48 86
转载 2020-09-30
为什么引入非线性激励函数如果不用激励函数,在这种情况下你每一层输出都是上层输入的线性函数,很容易验证,无论你有多少层神经网络,输出的都是输入的线性组合。激活函数是用来加入非线性因素的,因为线性模型的表达能力不够。以下,同种颜色为同类数据。某些数据是线性可分的,意思是,可以用一条直线将数据分开。比如下图:这时候你需要通过一定的机器学习的方法,比如感知机算法(perceptron learning algorithm) 找到一个合适的线性方程。但是有些数据不是线性可分的。比如如下数据:第二组
2020-09-30 17:16:43 91
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人