网站首页 文章专栏 《卷积神经网络的python实现》
P39 为了优化这么多参数，训练集必须很大，和参数数量在一个数量级上 P54 一般采用多次随机初始化参数，观察损失值分布，如果方差较小，说明网络规模较大；如果方差过大，说明网络规模过小，需要增加网络规模 P92 VGG是简单的卷积层、池化层和全连接层的串联，Inception和Residual Net连接模式复杂，但是网络参数更少，学习效率更高 P97 小批量样本的数量是一个超参数，一般取32、64、128等，数据量是2的指数，运算效率会更高。 P106 学习率退火 每当验证集错误率停止下降时，就把学习率降低到原来的1/10 P107 参数初始化 使用1/sqrt(n)来校准方差，使输出神经元你的方差为1，这样参数初始化为w=np.random.randn(n)/sqrt(n), 其中n是神经元连接的输入神经元数量。实践证明，这样可以提高收敛速度。 注意小数随机初始化并不一定会得到好的结果，因为在梯度反向传播的时候，会计算出非常小的梯度，减慢收敛速度。 P154 参数的更新比例 如果更新比例在10^-3左右正常，大于这个比例说明学习率过大，否则学习率过小