卷積神經(jīng)損失函數(shù)怎么加入正則化？[AI瘋狂高級正規(guī)化-今日頭條]https://m.toutiaocdn.com/item/6771036466026906123/？app=newsuArticle&

卷積神經(jīng)損失函數(shù)怎么加入正則化？

[AI瘋狂高級正規(guī)化-今日頭條]https://m.toutiaocdn.com/item/6771036466026906123/？app=newsuArticle&timestamp=157662997&reqid=201912180846060100140470162DE60E99&groupid=6771036466026906123&ttfrom=copylink&utmuSource=copylink&utmuMedium=toutiaoios&utmuCampaign=client神經(jīng)網(wǎng)絡正則化技術(shù)包括數(shù)據(jù)增強、L1、L2、batchnorm、dropout等技術(shù)。本文對神經(jīng)網(wǎng)絡正則化技術(shù)及相關(guān)問題進行了詳細的綜述。如果你有興趣，可以關(guān)注我，繼續(xù)把人工智能相關(guān)理論帶到實際應用中去。

請問一下，在使用hypermesh和abaqus聯(lián)合進行模態(tài)分析時。里面出現(xiàn)的正則化(normaliztion)怎么理解？

正則化實際上是規(guī)范化；規(guī)范化是一種簡化計算的方法，即將維數(shù)表達式轉(zhuǎn)換為無量綱表達式并成為標量。

在模態(tài)分析中，結(jié)果（如模態(tài)振幅）只有相對意義，但其絕對值沒有意義。因此，當結(jié)果被輸出時，它們被歸一化，以便可以查看結(jié)構(gòu)的不同位置的相對值。

正則化長細比，鋼結(jié)構(gòu)中的一個概念？

根據(jù)現(xiàn)行鋼結(jié)構(gòu)規(guī)范，長細比計算有兩個目的。

首先，檢查是否超過允許的長細比。目的不是考慮鋼種（或屈服強度）。

第二，當然是計算受壓構(gòu)件的穩(wěn)定性。在規(guī)范中，穩(wěn)定系數(shù)通過調(diào)整長細比或一般長細比來獲得，表示為λn=λ/πsqrt（E/FY）。

彈性和非彈性屈曲的臨界長細比為4.71sqrt（E/FY）。如果長細比λ小于此值，則柱屈曲時會出現(xiàn)塑性區(qū)。

穩(wěn)定應力為FY*0.658fy/Fe，否則為彈性屈曲，穩(wěn)定應力為0.877fe。式中，F(xiàn)e=π2E/λ2，可見該值為歐拉荷載。例如，如果FY=345mpa，則極限長細比為115。因此，柱的穩(wěn)定系數(shù)與其強度有一定的關(guān)系，這取決于柱是發(fā)生彈性屈曲還是非彈性屈曲。

擴展數(shù)據(jù)：

是給平面不可約代數(shù)曲線某種形式的全純參數(shù)表示。

對于PC^2中的不可約代數(shù)曲線C，求緊致黎曼曲面C*和全純映射σ：C*→PC^2，嚴格定義了σ（c*）=c

！設c是一條不可約的平面代數(shù)曲線，s是c的奇點集，如果有一個緊致黎曼曲面c*和一個全純映射σ：c*→PC^2，則

（1）σ（c*）=c（2）σ^（-1）（s）是一個有限點集，（3）σ：c*σ^（-1）（s）→cs是一對一映射

，那么（c*，σ）稱為c的正則化，當沒有混淆時，我們也可以稱c*為c的正則化

實際上，正則化方法是將不可約平面代數(shù)曲線奇點處具有不同切線的曲線分支分開，從而消除奇異性。

參考資料來源：

如果你是一個面試者，怎么判斷一個面試官的機器學習水平？

L1正則假設參數(shù)的先驗分布為拉普拉斯分布，可以保證模型的稀疏性，即部分參數(shù)等于0；L2正則假設參數(shù)的先驗分布為高斯分布，可以保證模型的穩(wěn)定性，即即，在實際應用中參數(shù)值不會太大或太小，如果特征是高維稀疏的，則采用L1正則化；例如。