知识卡片
平滑激活便利求导但不保证收敛
Sigmoid把实数映射到0与1之间,其导数为σ(z)(1−σ(z));若变量已经是激活输出a,才写a(1−a)。连续可导便利梯度计算,却不保证训练快速或不饱和;softmax还联合归一化多个分量,并非简单逐点Sigmoid。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- · 查看原书依据
在实践中,由于硬限幅函数在训练时难以确定决策边界,而且它是一个不连续的函数,无法对复杂网络数据模型求导,后期人们对该函数做了各种修正。
参考来源
- 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第09章《NLP中的深度学习》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00014.html)
- 结论依据:摘录中关于平滑激活便利求导但不保证收敛的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:在实践中,由于硬限幅函数在训练时难以确定决策边界,而且它是一个不连续的函数,无法对复杂网络数据模型求导,后期人们对该函数做了各种修正。