知识卡片
可近似性不保证泛化
通用近似定理提供表示层面的存在性结论。在适当激活与紧致输入区域等条件下,足够宽的前馈网络可以把连续目标函数逼近到任意给定精度。书中用六个 ReLU 单元叠加拟合曲线,并指出示例网络在选定区间内贴合,区间扩展后效果变差。训练能否得到合适参数,以及对新样本的表现,要分别检验。
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 · 2 处
- 损失函数减肥用,神经网络调权重 8.2 感性认识多层前馈神经网络 · 查看原书依据
多层前馈神经网络可视为一个通用函数的模拟器
- 人工“碳”索意犹尽,智能“硅”来未可知 2.7 什么是通用近似定理 · 查看原书依据
也就是说,在这个区间中,神经网络“近似”的效果,看起来还不错,但经不起区间范围的放大。
参考来源
- 位置:《深度学习之美:AI时代的数据处理与最佳实践》第02章《人工“碳”索意犹尽,智能“硅”来未可知》2.7(book-source:extracted/深度学习之美:AI时代的数据处理与最佳实践/_epub-src/OEBPS/Text/chapter7_0007.xhtml#txt002_8)
- 结论依据:原文以该小节的定义、分类或近似实例界定 可近似性不保证泛化 的适用范围。
- 原始内容:也就是说,在这个区间中,神经网络“近似”的效果,看起来还不错,但经不起区间范围的放大。