如何约束深度神经网络的输出
约束深度神经网络的输出可以通过以下几种方法实现：
- 激活函数：使用适当的激活函数可以限制神经网络的输出范围。例如，使用Sigmoid函数可以将输出限制在0到1之间，使用Tanh函数可以将输出限制在-1到1之间。
- 输出层的激活函数选择：根据任务的需求选择适当的输出层激活函数。例如，对于二分类问题，可以使用Sigmoid函数作为输出层的激活函数，对于多分类问题，可以使用Softmax函数。
- 权重正则化：通过在损失函数中引入正则化项，可以限制神经网络的权重，从而间接地约束输出。常用的正则化方法包括L1正则化和L2正则化。
- 输出约束层：在网络的最后一层添加一个输出约束层，用于对输出进行限制。例如，可以使用剪枝技术将输出限制在一定的范围内。
- 数据预处理：对输入数据进行预处理，将其限制在一定的范围内，从而间接地约束神经网络的输出。例如，对输入数据进行归一化或标准化处理。
- 网络架构设计：合理设计网络架构，包括层数、节点数等，可以在一定程度上约束神经网络的输出。例如，增加网络的深度和宽度可以增加网络的表达能力，从而更好地适应任务需求。
总结起来，约束深度神经网络的输出可以通过选择适当的激活函数、输出层的激活函数、权重正则化、输出约束层、数据预处理和网络架构设计等方法来实现。这些方法可以根据具体的任务需求和数据特点进行选择和组合。
相关·内容
1回答
我正在实现连续强化学习(用深度强化学习的连续控制)，但在优化策略-神经网络时遇到了一些问题。
按照本文的建议，通过计算和跟踪梯度(梯度上升)，使策略的q值最大化:最大Q(状态，action=policy(状态))。然而，由于Q-神经网络(最初)不是Q(状态，动作)的完全逼近，当政策的作用变得很大/无限时，我遇到了问题。当行动->无限时，Q->无穷大，这意味着策略的权重被优化到非常大或无限大的值。Morover，当政策开始输出接近无穷大的值时，这意味着q-值变得太大，而增强值变得不相关，因为"r + gamma*Q“被非常大的q-值所主导。
您推荐的解决方案是什么？我计划将策
浏览 1提问于2017-04-29得票数 2
在阅读了一些理论之后，我对以下术语感到有点困惑：
深度学习
深层神经网络
人工神经网络
前馈神经网络
因此，在我看来，似乎很清楚的是，深层神经网络是具有多层(通常超过一个隐藏层)的人工神经网络。然而，我读过几次这样的话：
深层神经网络是一种具有多层结构的前馈神经网络。
我知道前馈神经网络是什么，但据我所知，深神经网络是指在输入和输出层之间有多个层次的所有人工神经网络？例如，难道不应该有深层递归神经网络吗？深层神经网络必须前馈神经网络是正确的吗？这将反过来意味着深递归神经网络不能被称为深神经网络。
此外，我看到有各种各样的深度学习架构，例如：
卷积神经网络
残差神经网络
深层信念网络
深玻耳兹曼
浏览 0提问于2019-07-15得票数 3
回答已采纳
5回答
多层感知器神经网络中隐藏层的数量对神经网络的行为方式有什么影响？隐藏层中的节点数也有同样的问题吗？
假设我想使用神经网络进行手写字符识别。在本例中，我将像素颜色强度值作为输入节点，将字符类作为输出节点。
如何选择隐藏层和节点的数量来解决这样的问题？
浏览 1提问于2012-02-25得票数 33
1回答
我正在尝试理解2D卷积神经网络和2D深度卷积神经网络在计算方面的异同。(我理解这些概念)。
例如，假设有一个3x3的输入图像，具有3个通道(RGB)，填充为1，步长为1。滤波器为2x2。
输出是什么？(可以忽略激活和偏差)
我知道普通的conv2D会有13x3的输出，而dw conv2D会有3。除此之外，我有点困惑。谢谢
浏览 0提问于2019-06-10得票数 4
在维基百科和deeplearning4j中都有这样的说法:深度学习神经网络是一种隐层大于1的神经网络.
对于我来说，这类NN在大学里是标准的，而DLNN现在非常夸张。去过那里，做过那件事-有什么大不了的？
我还听说堆叠的神经网络被认为是深度学习。深度学习是如何定义的？
我的神经网络的背景大多来自大学，而不是工作：
神经网络在工业中的应用研究
有5门关于artif的课程。情报。&马赫。学习。-也许其中有两个在NN上
用于小而简单的图像识别项目中使用的三层前馈神经网络。
没有对它们进行真正的研究(如博士论文)。
浏览 0提问于2016-10-04得票数 14
回答已采纳
当然，我正在研究R中的神经网络，我曾经用python中的Keras编写这种程序，所以我希望能够为不同的层设置不同的激活函数。
让我解释一下。假设我想要建立一个有两个隐藏层的神经网络(比如5和4个神经元)，输出在-1到1之间。
我想在隐藏层中设置RELU或softplus，在输出层设置tanh。
这里的问题是，神经网络包允许我通过参数act.fun只选择一个激活函数。
> nn <- neuralnet(data = data, hidden = c(5, 4), act.fun =tanh)
我尝试将act.fun参数设置为c(softplus，softplus，tanh)，但我当
浏览 1提问于2019-06-30得票数 0
1回答
有没有什么基准可以用来检查ANN的实现是否正确？
我想要一些输入和输出数据，以及一些信息，比如：
三层前向神经网络的输出在90%的测试数据中应该是正确的。
我需要这些信息来确保这种人工神经网络能够处理这样的问题。
浏览 2提问于2010-03-02得票数 5
回答已采纳
1回答
用神经网络估计静止图像或视频流中的距离可行吗？
我有一个激光测距仪，提供视频输出以及距离测量。然而，距离测量需要将激光照射到环境中，这并不总是理想的或允许的。我想有一个选择，把这个转变为“被动”模式，图像被输入到一个神经网络，然后提供一个距离估计，而不需要激活激光。网络最初将在主动模式下接受来自游侠查找器的image+distance对的训练。
我不是神经网络方面的专家，虽然Google发现神经网络在图像分类和姿态估计方面有很多用途，但我找不到任何现有的距离估计技术。这看起来可行吗，还是我在浪费时间？一个基本的前馈网络，每N像素一个输入就足够了，还是我需要一个不同的架构？
浏览 3提问于2016-04-03得票数 5
回答已采纳
1回答
我正在为uni的一个自动驾驶小型汽车项目创建一个实时图像处理器，它使用树莓派来获得各种信息，以发送到程序，以此作为决策的基础。
我剩下的唯一阶段是创建一个神经网络，它将查看从相机显示的图像(我已经必须编码发送介于0-255之间的CV_32F值数组，等等)。
我一直在互联网上搜索，似乎找不到任何与我的特定问题或我的任务相关的示例代码(如何实现这种类型的神经网络)，所以我的问题是，是否有可能在c++中创建一个这种大小的NN而不进行硬编码(也就是利用openCv的功能)：它将需要每个值(从20x20图像) 400个输入节点，并分别产生4个左右fwd或向后的输出。
如何在opencv中创建神经网络？o
浏览 13提问于2017-02-27得票数 0
1回答
我正试着建立一个能使用RL玩口袋坦克的特工。我现在面临的问题是如何训练一个神经网络来输出正确的功率和角度。所以，而不是行动分类。我想要回归。
浏览 0提问于2018-08-09得票数 1
回答已采纳
2回答
我正在阅读关于人工神经网络的文章，据说人工神经网络用于训练数据训练后的预测。并给出了神经网络在分类中的应用。
假设我的数据包括输入as (\theta，sin(\theta))和输出as -1 (如果它位于正弦波的上半部分，则为+1 )。这里是否保证经过训练的神经网络总是产生输出为+1或-1 (即分类为+1或-1)？如果没有，那么ANN是如何用于分类的？
浏览 0提问于2017-04-09得票数 -1
回答已采纳
什么时候将神经网络定义为深度神经网络(DNN)而不是神经网络？
据我所知，DNN是具有多层的神经网络，简单的神经网络通常有较少的层数。但又有多少人呢？还是有其他的定义？
使用Tensorflow、Caffee这样的培训网络是什么？据我所知，我还没有看到任何人手动设计一个包含许多层的网络。他们似乎推广了创建DNN的工具，但是如果您只创建一个包含两个层的网络，那么DNN实际上是DNN吗？
浏览 0提问于2016-12-28得票数 8
回答已采纳
我正在与数据科学家合作，他们希望了解和理解他们使用Azure Machine /Service中的视觉界面训练的神经网络模型。是否有可能排除并检查神经网络模型的内部表示？有没有一种方法，我可以写代码，访问一个经过训练的神经网络的节点和权重，以便将网络可视化为一个图形结构？或者，如果Azure /Service不支持这一点，我希望能为不同的机器学习框架提供更适合这种分析的建议。
我尝试过的事情：
培训模型输出ILearnerDotNet (AML )或模型(AML )。我查找要拖到工作区中的项，在工作区中可以编写自定义代码，例如执行Python脚本。他们似乎接受数据集，但不接受ILearne
浏览 0提问于2019-06-02得票数 2
回答已采纳
1回答
是否有可能创建一个前馈神经网络，其中训练集相互依赖。例如，我想训练一个网络来预测产品的降雨量。我会把一个产品分成x1，x2，x3，...并创建一个神经网络，其中每个输入神经元表示一个特征，输出神经元表示产品的评级。
但是，如果我有一个额外的限制:一个用户每月只有100个评分点，所以一个用户的评分总和永远不会超过100。现在，网络应该为一个用户预测他将如何在给定的产品列表上分配他的100个评分点。使用前馈网络可以做到这一点吗？
浏览 1提问于2014-05-04得票数 1
2回答
我是一个在业余时间学习数据科学的高中生.我得到了一个能够解决xor问题的神经网络。我的神经网络使用sigmoid作为隐层和输出层的激活函数。它也只有一个隐藏层。我想知道用我的神经网络可以解决的最简单的问题是什么。我想要一个数据库，其中有一个概率输出或类似的东西，因为我在把乙状结肠输出转换成正常值时遇到了问题。我看过UCI机器学习库，但没有发现什么女巫吸引了我的眼球。如能提供任何帮助，我将不胜感激！)
浏览 0提问于2018-08-25得票数 1
回答已采纳
1回答
作为标题，在python中训练和测试了我的神经网络模型。
scipy中的SQP函数能用于神经网络回归问题的优化吗？
例如，我使用温度，潮湿，风速，这三个功能作为输入，预测能源在某些地区的使用。
所以我用神经网络来模拟这些输入和输出的关系，现在我想知道一些能量使用的最低点，输入特征是什么(即什么温度，潮湿，风种子是什么).This只是个例子，所以听起来可能不现实。
因为据我所知，没有多少人只使用scipy进行神经网络优化。但在某种程度上，scipy是我目前所拥有的最理想的优化工具(P.S.：我不能使用cvxopt)。
有人能给我一些建议吗？我会非常感激的！
浏览 1提问于2017-08-13得票数 4
回答已采纳
1回答
我试图复制一个神经网络来计算分子的能量(下图)。能量是键-非键相互作用和角/二面角应变之和。我有四个独立的神经网络，找出每个网络的能量，总能量是每个相互作用的能量之和，其中可能有100个。在我的数据集中，我只知道总能量。
如果我的总能量在不同的神经网络上使用多个(由分子决定的未知数)正演()来计算，我如何使角点通过动态构造的和进行反向传播。一种非方法也会有效。(如果我在手头上知道会有多少个债券，问题就必须在运行时展开神经网络的副本)，我就会把神经网络的输出汇总在一起。
这只是本文给出的一个例子：
总之，问题是：“如何实现动态展开并将其提供给Keras中的sum？”
浏览 2提问于2019-11-26得票数 1
回答已采纳
2回答
当我开始使用人工神经网络(NN)时，我认为我必须与过度拟合作斗争，这是主要问题。但在实践中，我甚至不能让我的神经网络通过20%的错误率障碍。我连我在随机森林上的分数都打不了！
我正在寻求一些非常普遍或不那么普遍的建议，关于应该如何做才能使NN开始捕捉数据的趋势。
为了实现NN，我使用Theano叠加的自动编码器与教程中的代码一起工作(小于5%的错误率)对MNIST数据集进行分类。它是一个多层感知器，上面有softmax层，每个隐藏层后来都被预先训练为自动编码器(在教程，第8章中有详细描述)。有大约50个输入特性和10个输出类。神经网络具有乙状结肠神经元，所有数据都被归一化为0,1。我尝试了许多
浏览 0提问于2014-07-13得票数 59
回答已采纳
1回答
CNN检测梯度变化？(深度图)
、、、、
我有一个问题，我试图找出渐变在深度地图，而忽略噪音和伪影。我用这个来检测可驱动表面的“下垂”，这些表面大部分都是在边缘出现的。在彩色图像中很难检测到这些边缘，因为边缘的两边可以有相同的表面，而且，边缘的样式、颜色和方向在不同的位置可能有很大的差异：
因此，决定使用深度地图。
虽然深度的变化可以用一个相当简单的算法来完成，但是忽略(或者至少是识别)噪声和工件是非常困难的。我目前的方法是简单地将图像移动几个像素，然后将其从自身减去，以揭示梯度的快速变化：。
在图像中出现噪声之前，这种方法工作得很好：
经过一些研究，我认为最可靠的检测方法是使用卷积神经网络(CNN)。我在过去有
浏览 3提问于2020-09-30得票数 0
3回答
我正在尝试使用神经网络来学习以下功能。
📷
📷
我总共有25个特点和19个产出。上面的图像显示了两个特征相对于其中一个输出的分布情况。该神经网络包含7个层，256个神经元具有漏神经网络的激活。最后一层是线性层。问题是输出太陡，而神经网络在峰值上有很大的误差。如何修改目标变量或神经网络，使其在峰值上产生一个较小的平均绝对误差(基本上使下面的误差图变平)？下面是错误图
📷
我试过但没用的东西-
使用日志转换目标变量。
增加神经网络的规模，希望一个足够大的神经网络能够适应任何情况，但训练损失仍然很大。
使用平均绝对，均方和百分比损失，我在这里问了同样的问题，https://stats.stackex
浏览 0提问于2022-09-22得票数 1
5回答
神经网络的局部逆
、、
我有一个有N个输入节点和N个输出节点的神经网络，其中可能有多个隐藏层和递归，但首先让我们忘记这些。神经网络的目标是学习N维变量Y*，给定N维值X。假设神经网络的输出是Y，学习后应该接近Y*。我的问题是:是否有可能得到输出Y*的神经网络的逆？也就是说，当我放入神经网络时，我如何获得值X*，它将产生Y*？(或与之类似的东西)
问题的主要部分是N非常大，通常在10000或100000量级，但如果有人知道如何解决没有递归或隐藏层的小型网络，这可能已经有所帮助。谢谢。
浏览 2提问于2013-02-28得票数 7
1回答
这是一个非常简单的带有反向支撑的神经网络。如果必须应用贝叶斯“推断”来更新权重和偏差，代码中会发生什么变化。
#Forward Propogation
hidden_layer_input1=np.dot(X,wh)
hidden_layer_input=hidden_layer_input1 + bh # linear transformation
hiddenlayer_activations = sigmoid(hidden_layer_input) # non-linear transformation
output_layer_input1=np.
浏览 0提问于2017-07-13得票数 0
1回答
我是深度学习的新手(特别是deeplearning4j)，并且正在尝试这些示例。特别是，我想知道在下面的CSV示例中使用了哪种类型的神经网络。这是一个深度学习神经网络，还是仅仅是“常规神经网络”。我确实理解普通神经网络和深度学习神经网络的不同之处在于，DL算法处理“消失梯度”问题，而普通神经网络不能。我的感觉是以下是常规神经网络，但我想确认一下。
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
.seed(seed)
.iterations(iterations)
浏览 10提问于2017-01-27得票数 0
回答已采纳
1回答
我开始使用Pybrain这种好的神经网络算法。如果有人已经熟悉它，包是否也能进行多标签分类？多标签与多类分类不同，因为一个实例可以有多个类作为它们的输出/目标。
浏览 3提问于2013-07-23得票数 0
回答已采纳
我试图理解限制Boltzmann机器(RBM)和前馈神经网络(NN)之间的区别。我知道，RBM是一个生成模型，它的思想是重建输入，而NN是一个判别模型，其中的思想是预测标签。但是我不清楚的是，为什么你不能仅仅用神经网络来建立一个生成模型呢？特别是，我想到的是深层信仰网络和多层感知器。
假设我对NN的输入是一组名为x的注释，而我的输出是一组节点y。在一个判别模型中，我在训练过程中的损失将是y与我希望x产生的y值之间的差额(例如，类标签的基本真理概率)。但是，如果我刚刚使输出具有与输入相同的节点数，然后将损失设置为x和y之间的差呢？这样，网络将学会重建输入，就像在RBM中一样。
因此，考虑到神经网
浏览 11提问于2015-08-07得票数 16
我正在寻找一个很好的最小数值例子来教我们如何解决一个神经网络。基本上，我们的想法是用“笔和纸”来观察隐藏层(即重量)是如何工作的。
回到Uni，我在3x3矩阵上为OLS回归做了类似的事情。
有人知道神经网络的一个好的来源/例子吗？
浏览 0提问于2019-07-18得票数 0
3回答
关于神经网络的不同结构
、、、
https://www.mathworks.com/help/deeplearning/ref/fitnet.html是我为理解将数据拟合到函数所遵循的教程。我对结构和术语几乎没有疑问，它们如下：
1.模型和隐藏层数
所谓隐藏层，是指输入和输出之间的一层。如果层数=1，有10个隐神经元(如第二个图所示)，那么本质上是一个称为MLP的神经网络。我的理解正确吗？总体而言,
如果隐藏层数= 0，则称NN为感知器。
如果隐层数为>=1但小于3，则神经网络成为MLP。链接中的图片是否是MLP的图片，因为它包含一个由10个神经元组成的隐藏层？
如果隐藏层数>3，则称为深度神经网络--即深度学习
浏览 0提问于2019-10-10得票数 2
回答已采纳
我正在训练一个ANN模型，它必须产生积极的预测(例如，一些物体的长度)。我计划实现这个约束的方法是在现有的神经网络末尾附加一个单节点层(输出层)，并将此输出节点指定为零偏差。我想知道如何在训练过程中“修复”节点/层的权重和偏差。
浏览 26提问于2021-01-07得票数 0
1回答
基于神经网络的线性回归
、、、
我正在用下面的样本训练数据处理一个回归问题。
如图所示，我只输入了4个参数，其中只有一个参数在变化，即Z，因此其余参数没有实际值，而从O1到O124的124个参数的输出指出，O1的变化速率为201000，然后是1020，然后是1040 .虽然O2以不同的速率变化，即30，但对于所有的124个输出来说仍然是不变的，所有的变化都是线性的。
我认为这是一个很小的问题，一个非常简单的神经网络模型将达到100%的测试数据的准确性，但结果正好相反。
我使用线性回归器达到100%的测试精度，使用KNN回归器达到99.99997%的测试精度。
我使用relu激活的10层神经网络测试数据的准确
浏览 1提问于2018-10-23得票数 0
1回答
我有一个灰度图像数据集，我想将其输入到神经网络中。
x_train_grey.shape是(32, 32, 73257)，所以我理解它是(dimension_x, dimension_y, batch_size)。因为图像是灰度的，所以只有一个“深度”维度。
然而，为了将这些数据提供给神经网络，它需要具有这样的形状：(batch_size, dimension_x, dimension_y)。以batch_szie开头。如何将其重塑为这种格式，以便batch_szie位于x，y图像维度之前？
一旦完成，我希望能够将其传递给神经网络(第一层是Flatten())，比如：Flatten(input
浏览 4提问于2021-11-24得票数 0
我目前正在学习用tensorflow制作神经网络。该库提供了一种非常方便的方法来使用本教程中的估计器DNNClassifier创建一个估计器：。
然而，在进行预测之前，我不知道如何选择输出层的最终treshold：
例如，假设我们有一个介于'KO‘和'OK’之间的二进制分类器。神经网络的末端计算特定样本(例如 )的每种可能性的概率。我假设dnn的默认阈值是0.5，所以它会在这里回答'OK‘。但我想将这个阈值更改为0.8，这样如果dnn不确定'OK‘的80%，它将回答'KO’(为了调整FP-rate和FN-rate)。我们如何做到这一点？
提前感谢您的帮助
浏览 12提问于2018-02-09得票数 0
回答已采纳
1回答
你能在Keras或Tensorflow或类似的地方建立复杂的神经网络(以复数的形式)吗？
这意味着输入、权重、激活函数和输出都可能使用复数。我知道这在理论上是可以做到的，但我遇到的所有软件包似乎都假设只有实数才能用于权重和输入。
浏览 0提问于2018-03-06得票数 10
回答已采纳
很少有疑问与h2o.deeplearning有关：
它是深神经网络还是深信念神经网络(它使用受限的Boltzman机器- RBM)？
在H2o的文献中，discussed.They没有使用SGD随机下降(这是正常神经网络使用的)。
如果我们不使用自动编码器和RBM，那么我们是否可以称之为深度信念神经网络。
H2o确实非常有趣，但由于这些疑问，使用它将非常困难。
浏览 1提问于2015-11-14得票数 2
2回答
用于图像识别的神经网络可能是非常大的。有成千上万的输入/隐藏的神经元，数百万的连接，可以占用大量的计算机资源。
虽然在c++中通常是32位和 64位，但是它们在速度上并没有太大的差异，但是使用浮点数可以节省一些内存。
有了一个神经网络，使用作为激活函数的是什么，如果我们能够选择神经网络中的哪些变量可以浮动，或者可以双倍浮动，以节省内存，而不使神经网络无法执行呢？
虽然训练/测试数据的输入和输出肯定可以浮动，因为它们不需要双重精度，因为图像中的颜色只能在0-255的范围内，当标准化的0.0-1.0比例尺时，单位值为1/ 255 = 0.0039~。
1.隐藏神经元输出精度如何，让它们也浮起来安全
浏览 1提问于2016-11-10得票数 6
1回答
我在想，当我们构建一个神经网络体系结构时，我们要如何决定隐藏层中有多少个节点，以及要放置多少个隐藏层。
我理解输入和输出层取决于我们拥有的培训集，但是如何确定隐藏层和总体架构呢？
浏览 0提问于2017-07-06得票数 40
回答已采纳
2回答
我一直在使用matlab上的神经网络，但无法找到一个允许神经网络多个隐藏层的包。建议使用“`nnet”包，但它只允许一个对我没有用处的层网络。
还有其他能像matlab那样训练复杂神经网络的软件包吗？
(如果存在，则可能应该更新CRAN页面。对如何做到这一点有什么想法吗？)
浏览 4提问于2014-06-04得票数 4
2回答
逆神经网络的目标
、、、、
我目前正在研究神经网络，或者更具体地说是图像分类。当我阅读的时候，我在想下面的事情是否已经做过了/是否可行。如果有人能告诉我一些来源或想法，我会很感激的！
在传统的神经网络中，你有一个训练数据集的图像和神经元在网络中的权重。目标是优化权重，使图像分类准确，训练数据，新图像尽可能好。
我想知道你是否可以逆转这个:给定一个神经网络及其神经元的权重，生成一组对应于网络分离的类的图像，也就是这个特定网络能够很好地分类的图像的原始类型。
在我看来，它的工作原理如下(我肯定这并不是完全可以实现的，但只是为了让人们明白这一点)：想象一下，一个神经网络能够对包含猫、狗和这两种标签的图像进行分类。我想要的是“逆
浏览 2提问于2015-12-29得票数 4
回答已采纳
1回答
用于训练深度神经网络的强化学习
、、、、
我计划编写一个国际象棋引擎，它使用深度卷积神经网络来评估国际象棋位置。我将使用位板来表示棋盘状态，这意味着输入层应该有12*64个神经元用于位置，1个神经元用于玩家移动(0表示黑色，1个表示白色)，4个神经元用于投掷权限(wks，bks，wqs，bqs)。将有两个隐藏层，每个隐藏层有515个神经元，输出神经元的值介于-1和1之间，1表示白人获胜，0表示相等的位置。所有神经元都将使用tanh()激活函数。
我考虑过通过向CNN提供许多Stockfish评估的位置来使用监督学习，但我决定不这样做，因为在某种意义上这只是复制另一个引擎的评估函数。
因此，我决定使用强化学习，调整自玩游戏的权重和偏差。
浏览 1提问于2020-08-04得票数 0
1回答
前馈神经网络是属于深神经网络还是人工神经网络？
我怀疑是把我的帧工作称为深神经网络还是人工神经网络。
浏览 5提问于2022-02-04得票数 -1
我正试图理解Scikit MLPClassifier和Tensorflow DNNClassifier在分类任务上的区别，并希望一些专家能够分享一些信息。据我所知，它们都支持反向传播、激活函数(包括relu)、optmizer (sgd/adam)。MLPClassifier还可以通过指定隐藏层和节点的#来建立深度神经网络。我看到的两种不同之处是，DNNClassifier支持GPU培训，而MLPClassifer不支持。除了GPU支持之外，它们之间还有其他区别吗？为什么要使用Tensorflow的DNNClassifier进行基本的深层神经网络训练(我这里说的是基本的神经网络，而不是CNN、
浏览 0提问于2017-11-01得票数 2
两个问题-
在基于断言的形式验证中，如果我得到一个不确定的断言，那么处理该断言或收敛该断言的各种方法是什么？
开发引用rtl和编写断言以比较每个活动时钟边缘的引用rtl输出和DUT输出是正确的方法吗？它会增加有效的状态空间，从而增加复杂性和运行时间吗？
此外，如果有人能够提供一些好的参考资料，用于基于断言的正式验证，这将是有帮助的，因为我找不到关于这一主题的许多文章/论文。
浏览 5提问于2015-12-19得票数 0
回答已采纳
基本上如下：
是否有可能在最后一层加强tensorflow神经网络输出节点之间的数学约束？
例如，节点之间的单调性，例如输出节点1大于节点2，而节点2又大于节点3，等等。
浏览 10提问于2022-01-23得票数 3
回答已采纳
1回答
我正在研究如何使用tensorflow作为一个实验AI算法，使用动态神经网络分配系统来缩放(移除和添加)层和层的宽度。我们该怎么做呢？
后续是，如果我也想使网络分层，使它们收敛到两个值(分类器和估计它有多确定)。例如，如果有一个巨大的差异，没有解释的神经网络，它可能给出0,4的1作为分类器，但也是一个“确定”的值，表明神经网络“感觉如何”的估计。与我们人类相比，我们可以掌握一个概念，也可以评价我们的自信程度。这一层次结构，我也希望是动态连接子网在一起，并断开，并将它们从系统中完全删除。
我的主要问题是:这是我应该在tensorflow做的一个实验吗？
我知道这不是一个真正的技术问题。但是我希望
浏览 0提问于2018-03-07得票数 0
回答已采纳
1回答
在被馈送到神经网络之前，有一些核应用于图像的特征extraction.But，我们如何理解特定的核将有助于提取神经网络所需的特征。
浏览 18提问于2019-03-16得票数 0
1回答
在迈克尔·尼尔森( Michael )的著作“深度学习和神经网络”( Deep and Networks )中，他使用了一种天真的方法来编写代码，这比用tensorflow编写的代码考虑得更多。
我想知道哪个代码更好，它如何更好？
浏览 0提问于2020-04-17得票数 0
1回答
我有3个不同的波长信号作为输入来预测单个输出。顺便说一句，我为每个信号提取了9个特征。现在，我正在用Matlab训练分类神经网络。我想使用30个信号数据集(每组包含3个不同的波长)来分类为3类。我的输入矩阵应该是什么？我尝试在其中创建一个包含3个不同信号的单元格，但nprtool无法使用它。请帮帮我，我是新手，对神经网络也不熟悉。
浏览 6提问于2018-10-13得票数 0
1回答
我想实现一个随机神经网络(alt )。基于以下文献的具有随机权值的神经网络(NNRW)
本质上，其思想是，隐藏层是随机固定的，只对输出层进行优化。(导致一个简单的最小二乘解)。
我很熟悉在keras中使用Sequential来创建模型，虽然我不确定我将如何“修复”隐藏层，并且只关注优化输出层。
我的最后一次尝试是用NumPy手动编写网络代码，但我想问是否有人在Tensorflow中对此有任何想法
浏览 0提问于2022-04-06得票数 0
下面的例子摘自deeplearning.ai中的讲座，结果是元素逐元乘积(或“元素向乘法”)之和。红色数字表示过滤器中的权重：
(1*1)+(1*0)+(1*1)+(0*0)+(1*1)+(1*0)+(0*1)+(0*0)+(1*1) = 1+0+1+0+1+0+0+0+1 = 4
📷
但是，大多数资源都表示使用的是点产品：
“我们可以将神经元的输出重新表示为，其中有偏置项。换句话说，我们可以用y=f(x*w)计算输出，其中b是偏置项。换句话说，我们可以通过执行输入向量和权向量的点乘积，加上偏差项来生成logit，然后应用变换函数来计算输出。”
布杜马，尼基尔；Locascio，尼古
浏览 0提问于2018-03-19得票数 6
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
