← 返回刚才阅读的位置

知识卡片

专业/工作 · 9510 · 生成模型:Tencent Hunyuan Hy

计算图学习

理解等级:中级

深度学习把复杂函数表示为可微计算图,训练过程通过反向传播把损失梯度分配到各层参数。它的力量来自端到端调参,但可解释性和数据需求也随之上升。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 深度学习 21.2 深度学习的计算图 · 查看原书依据

      我们已经了解了深度学习的基本思想:将假设表示为具有可调整权重的计算图,并通过计算损失函数相对于这些权重的梯度来拟合训练数据。现在我们将考虑如何组成一个计算图。我们从输入层开始,在这里训练样例或测试样例x被编码为输入节点的值。然后我们考虑输出层,它将输出与真值y进行比较,得到用于调整权重的学习信号。

    参考来源

    - 位置:《人工智能:现代方法(第4版)(上下册)》第21章《深度学习》(源文件:`extracted/人工智能:现代方法(第4版)(上下册)/_epub-src/text/part0042_split_002.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:深度学习把复杂函数表示为可微计算图,训练过程通过反向传播把损失梯度分配到各层参数。原文从「21.2 深度学习的计算图」处给出对应机制与依据,支撑本卡结论。 - 原始内容:我们已经了解了深度学习的基本思想:将假设表示为具有可调整权重的计算图,并通过计算损失函数相对于这些权重的梯度来拟合训练数据。现在我们将考虑如何组成一个计算图。我们从输入层开始,在这里训练样例或测试样例x被编码为输入节点的值。然后我们考虑输出层,它将输出与真值y进行比较,得到用于调整权重的学习信号。