sigmoid和softmax區(qū)別 深度學(xué)習(xí)難嗎？
深度學(xué)習(xí)難嗎？想起來有毅力不難，想起來不堅(jiān)持就難請(qǐng)問神經(jīng)網(wǎng)絡(luò)有多個(gè)輸出的回歸問題，損失函數(shù)如何定義比較合理？在我看來，多重輸出和損失函數(shù)的類型選擇沒有直接關(guān)系。一般來說，使用交叉熵是沒有問題的，即使是
深度學(xué)習(xí)難嗎？
想起來有毅力不難，想起來不堅(jiān)持就難
請(qǐng)問神經(jīng)網(wǎng)絡(luò)有多個(gè)輸出的回歸問題，損失函數(shù)如何定義比較合理？
在我看來，多重輸出和損失函數(shù)的類型選擇沒有直接關(guān)系。一般來說，使用交叉熵是沒有問題的，即使是最小均方誤差也不會(huì)產(chǎn)生顯著的影響。但是，最好添加一個(gè)帶有范數(shù)的正則化因子（計(jì)算量較少）。但是，輸出的大小是影響算法收斂性的關(guān)鍵因素，因?yàn)槿绻敵鎏啵ū热绯^一千個(gè)）需要合并，可以嘗試使用分層softmax。有關(guān)代碼，請(qǐng)參閱word2vec。希望對(duì)大家有所幫助
在多分類中，CNN的輸出層一般是softmax。
如果沒有特殊情況，則RBF應(yīng)為“徑向基函數(shù)”。在DNN興起之前，RBF由于其良好的局部逼近能力而被廣泛應(yīng)用于支持向量機(jī)的核函數(shù)中。當(dāng)然，也有大家熟悉的RBF神經(jīng)網(wǎng)絡(luò)（即以RBF函數(shù)為激活函數(shù)的單隱層神經(jīng)網(wǎng)絡(luò)）。如果將RBF作為卷積神經(jīng)網(wǎng)絡(luò)的輸出，如果沒有特殊的應(yīng)用背景，就不是一個(gè)好的選擇。至少從概率的角度來看，RBF不具備與softmax一樣好的概率特性。
svm和softmax哪個(gè)好？
您可以將照明參數(shù)放在下面的注釋區(qū)域，或者找一個(gè)能幫您查看文件的人。我好久沒做了?，F(xiàn)在3D有點(diǎn)奇怪。它仍然是2009年的版本，十年前的版本。只是用3D不用擔(dān)心學(xué)習(xí)PS，先用3D渲染好地圖，學(xué)習(xí)P地圖。