regularized

    0熱度

    1回答

    在小型批量更新

    執行L1正規化我目前正在讀Neural Networks and Deep Learning，我被困在一個問題。問題是更新他給出的​​使用L1正則化而不是L2正則化的代碼。 原片的使用L2正規化代碼是： def update_mini_batch(self, mini_batch, eta, lmbda, n): """Update the network's weights and b
    python neural-network gradient-descent regularized mini-batch 2017-06-19

    0熱度

    2回答

    與TensorFlow後端使用Keras時的輟學

    我讀到了關於Keras實現的輟學，它似乎在使用它的反輟學版本，即使它說失落。 這是我讀Keras和Tensorflow文件我已經明白： 當我指定Dropout(0.4) 0.4意味着，在該層每個節點都有被丟棄其中有40％的機率意味着0.4是丟棄概率。因此，通過反向丟失的概念，由於保持概率爲0.6，所以其餘神經元的輸出被縮放1/0.6的因子。 （請指出，如果我的解釋是不正確。我的整個懷疑是基於這種解
    python-3.x tensorflow keras regularized 2017-09-26

    -1熱度

    1回答

    添加正則化會導致性能下降和更差

    當我添加了更強的正則化（例如L2正則化參數從1到10或退出參數從0.75到0.5）時，它給了我更慢和更差的性能（例如97-98％的測試精度在3000-4000次迭代中3000-4000次迭代只能達到94-95％的測試精度）。是否有這種情況發生的原因？我可以確認一切正確實施。謝謝！ 編輯：我只是想說明我的程序有過度擬合（大約1％），而且看起來有沒有退出，訓練與測試精度之間的差異大致相同。
    performance machine-learning neural-network conv-neural-network regularized 2017-08-13

    0熱度

    3回答

    如何在CNTK中使用自定義正則化（使用python）？

    您是否知道我如何將自定義正則化函數應用於CNTK？ 特別是，我想補充損失函數的導數對輸入的影響;類似於 newLoss = loss + lambda * gradient_F(inputs) 其中F是模型學到的函數，輸入是模型的輸入。 如何在CNTK中實現此目的？我不知道如何訪問與輸入相關的梯度，以及如何將梯度與正規化器的權重進行比較。
    python machine-learning backpropagation cntk regularized 2017-06-25

    0熱度

    1回答

    正規化與完整數據集機器學習

    我最近觀看了一個視頻，解釋了對於深度學習，如果添加更多數據，則不需要太多的正則化，這是有道理的。 這就是說，這個聲明是否適用於像「隨機森林」這樣的「正常」機器學習算法？如果是這樣，當爲該算法搜索最佳的超參數時，理論上你應該有輸入數據集（當然這會進一步劃分爲交叉驗證集等）和您擁有的數據一樣多，而不僅僅是樣本它。這當然意味着更長的訓練時間，對於超參數的每個組合，您都有需要接受訓練的X個交叉驗證集合等等
    machine-learning deep-learning random-forest regularized 2017-02-01

    0熱度

    1回答

    如何調整Sklearn的RandomForest？ MAX_DEPTH Vs的min_samples_leaf

    max_depth VS min_samples_leaf 參數max_depth和min_samples_leaf混淆了我期間使用GridSearchCV的多次嘗試最。根據我的理解，這兩個參數都是控制樹木深度的一種方法，如果我錯了，請糾正我。 max_features 我在做一個非常簡單的分類任務和不斷變化的min_samples_leaf似乎對AUC得分沒有影響;然而，調整深度可將我的AUC從
    machine-learning scikit-learn random-forest regularized 2017-05-14

    0熱度

    2回答

    作爲Pytorch中的正則化函數的L1規範

    我需要添加一個L1規範作爲正則化函數，以便在我的神經網絡中創建一個稀疏條件。我想訓練我的網絡分類，我需要添加一個L1規範作爲正規化者來創建稀疏條件。我需要訓練網絡進行分類，我先從pytorch開始，但我沒有任何意識如何做到這一點。我嘗試着自己構建一個L1規範，比如here，但沒有工作。 有人可以幫助我嗎？我需要把ConvTranspose2d在此之後正則，我想做些事情像這樣Keras： model
    keras torch pytorch regularized 2017-10-17

    1熱度

    1回答

    如何實現卷積神經網絡的L2正則化成本函數

    我已經實現了CNN數字分類模型。我的模型過度配合，爲了克服過度配合，我試圖在我的成本函數中使用L2 Regularization。我有一個小混亂 我怎麼能選擇<weights>把成本公式（代碼的最後一行）。 ... x = tf.placeholder(tf.float32, shape=[None, img_size, img_size, num_channels], name='x') #
    tensorflow computer-vision conv-neural-network regularized 2017-10-20

    0熱度

    1回答

    我想實現一個正則化技術「抖出」在CNTK

    有一紙「抖出：一種新方法正則深層神經網絡訓練」，它可以在這裏找到：http://ieeexplore.ieee.org/abstract/document/7920425/ 一種新的正技術是在引進這篇論文可以用更多的功能來替代丟失層。我正在研究一個深度學習問題，爲此我想實施「Shakeout」技術，但問題是我無法完全理解紙張的實際流水線。有太多的數學，我仍然在努力去理解。 到目前爲止，我已經看到一
    python machine-learning caffe cntk regularized 2017-07-28

    1熱度

    2回答

    之後設置Keras層的屬性

    我有一個需要分析模型輸出張量的定製調整器。基本上我不能這樣做。 model = Sequential() model.add(Dense(128, name="dense_1", W_regularizer=Custom(0.1))) model.add(Dense(nb_classes, name='dense_2')) model.compile(loss='mse', optimize
    python deep-learning keras regularized 2017-03-06
最新問題