专栏首页Soul Joy Hub《neural network and deep learning》题解——ch03 其他技术(momentun,tanh)

《neural network and deep learning》题解——ch03 其他技术(momentun,tanh)

http://blog.csdn.net/u011239443/article/details/77848503

问题一

• 如果我们使⽤ µ > 1 会有什么问题? • 如果我们使⽤ µ < 0 会有什么问题?

如果我们使⽤ µ > 1,∇C趋近于0时,v依旧会越来越大。如果我们使⽤ µ < 0,∇C趋近于0时,v会变为梯度的反方向。

问题二

增加基于 momentum 的随机梯度下降到 network2.py 中。

增加 b_velocity 和 w_velocity

    def default_weight_initializer(self):
        self.biases = [np.random.randn(y, 1) for y in self.sizes[1:]]
        self.weights = [np.random.randn(y, x)/np.sqrt(x)
                        for x, y in zip(self.sizes[:-1], self.sizes[1:])]
        self.b_velocity = [np.random.randn(y, 1) for y in self.sizes[1:]]
        self.w_velocity = [np.random.randn(y, x)/np.sqrt(x)
                        for x, y in zip(self.sizes[:-1], self.sizes[1:])]

增加参数 µ (mu)

    def SGD(self, training_data, epochs, mini_batch_size, eta,
            lmbda = 0.0,mu = 1.0,
            evaluation_data=None,
            monitor_evaluation_cost=False,
            monitor_evaluation_accuracy=False,
            monitor_training_cost=False,
            monitor_training_accuracy=False):
        ......
        for j in xrange(epochs):
            random.shuffle(training_data)
            mini_batches = [
                training_data[k:k+mini_batch_size]
                for k in xrange(0, n, mini_batch_size)]
            for mini_batch in mini_batches:
                self.update_mini_batch(
                    mini_batch, eta, lmbda,mu, len(training_data))
             ......
    def update_mini_batch(self, mini_batch, eta, lmbda,mu, n):
        nabla_b = [np.zeros(b.shape) for b in self.biases]
        nabla_w = [np.zeros(w.shape) for w in self.weights]
        for x, y in mini_batch:
            delta_nabla_b, delta_nabla_w = self.backprop(x, y)
            nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
            nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]

        self.w_velocity = [mu*v-(eta/len(mini_batch))*nw for v, nw in zip(self.w_velocity, nabla_w)]
        self.weights = [(1-eta*(lmbda/n))*w + v for w, v in zip(self.weights, self.w_velocity)]
        self.b_velocity = [mu*v-(eta/len(mini_batch))*nb for v, nb in zip(self.b_velocity, nabla_b)]
        self.biases = [b + v for b, v in zip(self.biases, self.b_velocity)]

问题三

证明公式 (111)

1+tanh(z/2)2=1+(ez/2−e−z/2)/(ez/2+e−z/2)2=ez/2ez/2+e−z/2=分子分母除以ez/211+e−z\large \frac{1+ tanh(z/2)}{2} = \frac{1 + (e^{z/2} - e^{-z/2})/(e^{z/2} + e^{-z/2})}{2} = \frac{e^{z/2}}{e^{z/2} + e^{-z/2}} = ^{分子分母除以 e^{z/2}} \frac{1}{1+e^{-z}}

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 《neural network and deep learning》题解——ch02 Network源码分析

    http://blog.csdn.net/u011239443/article/details/75008380

    用户1621453
  • 《neural network and deep learning》题解——ch03 再看手写识别问题题解与源码分析

    http://blog.csdn.net/u011239443/article/details/77649026

    用户1621453
  • 对抗机器学习模型

    随着AI时代机器学习模型在实际业务系统中愈发无处不在,模型的安全性也变得日渐重要。机器学习模型很可以会遭到恶意攻击,比较直接就能想到的如:人脸识别模型的攻击。训...

    用户1621453
  • 《Python基础教程》 读书笔记 第九章 魔法方法、属性和迭代器 (上)

    在Python中创建一个构造方法很容易。只要把init方法的名字从简单的init修改为魔法版本__init__即可:

    统计学家
  • 腾讯云cdn回源ip获取

    安全性考虑(假装safe)源站做了访问策略,限制了访问ip,接入cdn后回源的都是cdn节点信息,那么如何获取呢???

    杜志强
  • python写的监控mysql主从的ap

    [global] user = cmVwbsdfsdfA== passwd = SGMxNzVBcEdEZ0ZRTGsfdfV6aA== time = 1...

    py3study
  • python入门之一个简单记事本

    最近在练习一个关于python项目的列表,拿到列表看到这是要实现一个记事本功能,刚开始拿到题目真有点懵。虽然用python实现excel的处理已经很熟悉了,且已...

    py3study
  • ios开发:关于一对一直播源码中视频录制切换前后摄像头后方向错误解决办法

    最近发现项目里,一对一直播源码切换前后摄像头几次之后,会出现录制的视频方向上下颠倒,可是明明已经在切换一对一直播系统摄像头后,给videoconnection重...

    布谷安妮
  • What?废柴, 模拟登陆,代码控制滑动验证真的很难吗?Are you kidding???

    在前边的python接口自动化的时候,我们由于博客园的登录机制的改变,没有用博客园的登录测试接口。那么博客园现在变成了滑动验证登录,而且现在绝大多数的登录都变成...

    北京-宏哥
  • 再议Python协程——从yield到asyncio

    协程,英文名Coroutine。 前面介绍Python的多线程,以及用多线程实现并发(参见这篇文章【浅析Python多线程】),今天介绍的协程也是常用的并发手段...

    用户1432189

扫码关注云+社区

领取腾讯云代金券