像 Keras 这样的现代深度学习库让您只需几行代码即可在几分钟内定义和开始拟合各种神经网络模型。尽管如此，为新的预测建模问题配置神经网络以获得良好性能仍然具有挑战性。获得良好性能的挑战 […]

深度学习神经网络的一个有趣优势在于它们可以重复用于相关问题。迁移学习是指一种预测建模技术，用于处理一个不同但有些相似的问题，然后可以部分或全部重复使用该技术来加速训练和提高模型在该问题上的性能 […]

神经网络的训练可能会因为误差函数、学习率甚至目标变量的尺度选择而变得不稳定。训练过程中对权重的巨大更新可能导致数值溢出或下溢，通常称为“梯度爆炸”。梯度爆炸问题在循环神经网络中更常见，[…]

深度学习神经网络通过训练数据集中的示例学习如何将输入映射到输出。模型的权重被初始化为小的随机值，并通过优化算法根据训练数据集上的误差估计进行更新。鉴于模型中使用的小权重和 […]

传统上，训练深度神经网络一直具有挑战性，因为梯度消失意味着靠近输入层的层的权重不会根据训练数据集上计算的误差进行更新。深度学习领域的一项创新和重要里程碑是贪婪的逐层预训练，它允许非常深的神经网络 […]

深度学习神经网络使用随机梯度下降优化算法进行训练。作为优化算法的一部分，必须反复估计模型当前状态的误差。这需要选择一个误差函数，通常称为损失函数，用于估计[…]

神经网络是使用随机梯度下降进行训练的，并且在设计和配置模型时需要您选择一个损失函数。有许多损失函数可供选择，并且可能难以知道选择哪一个，甚至什么是损失函数及其在训练[…]

深度学习神经网络使用随机梯度下降优化算法进行训练。学习率是一个超参数，它控制着每次模型权重更新时模型会根据估计的误差改变多少。选择学习率具有挑战性，因为过小的学习率可能会导致 […]

神经网络的权重无法通过分析方法计算。相反，权重必须通过一个称为随机梯度下降的经验优化过程来发现。随机梯度下降在神经网络上的优化问题具有挑战性，并且解空间（权重集）可能由许多好的[…]