为什么深度学习不遭受浮点或数值精度误差，如果它的大部分训练是在数据上的平均值0和std 1？
受到这个问题的启发：
Why do different methods for solving Xc=y in python give different solution when they should not?
这似乎有数值问题，因为浮点，倒置矩阵和限制值的[-1,1]，我现在好奇的是，为什么深度学习不遭受浮点或数值精度错误，如果它的大部分培训是在平均值为0和std 1的数据(我想我假设大部分数据已经预处理在这个范围内，而且我觉得这是大致正确的考虑到批量标准化的高使用率)。是因为深度学习不能通过将多项式提高到一个很高的程度来训练，还是为什么深度学习通常是很好的？SGD是否有什么特殊之处，或者(流行的)激活函数、relu、elu等在数值上不是不稳定的(与高次多项式相比)？或者GPU训练避免了浮点表示在一起？或者为什么深度学习训练在数字上是稳定的？
Stack Overflow用户
发布于 2017-10-21 23:21:30
DL本身并没有什么神奇之处--它也一直受到数值误差的影响。然而，由于非线性的规模和数目，DL中的数值不稳定性通常会导致无穷大或nans，而不是错误的答案。因此，它们通常很容易被发现。特别是，0,1间隔没有什么困难，实际上，它是一个很好的浮动存储点，如 of representable floats actually live in [0,1]！你所指的问题在于获取这样一个数字的巨大指数，这个指数接近机器精度是危险的。任何标准的DL技术都不需要任何激活的30级能量。事实上，大多数最成功的DL技术(基于sigmoids、tanhs和relus)几乎是线性的，因此数值不稳定性主要来自概率估计中的exp运算。
所以：
- 是关于高次多项式的吗？是，这是主要的问题，在DL中没有遇到。
- SGD有什么特别之处吗？不怎么有意思。
- 是关于激活函数吗？是的，他们不会让如此巨大的精度下降(指数是例外，它确实导致数值问题)。
- GPU是在避免浮动吗？不，它不是，GPU与它无关。
https://stackoverflow.com/questions/46868237
复制相似问题
腾讯云开发者
