Справочник
视频
Курс: Повышение эффективности глубоких нейросетей. Чтобы вернуться, нажмите здесь.
- Наборы данных для тренировки, разработки и тестирования
- Смещение/дисперсия
- Базовый рецепт машинного обучения
- Регуляризация
- Почему регуляризация снижает уровень переобучения?
- Регуляризация методом исключения
- Общие сведения об исключении
- Другие методы регуляризации
- Нормализация входных данных
- Исчезновение и взрыв градиента
- Инициализация веса для глубоких сетей
- Численное приближение градиентов
- Проверка градиентов
- Замечания по реализации проверки градиентов
- Интервью с Йошуа Бенжио
- Мини-пакетный градиентный спуск
- Общие сведения о мини-пакетном градиентном спуске
- Экспоненциально взвешенное среднее
- Определение экспоненциально взвешенного среднего
- Корректировка смещения в экспоненциально взвешенных средних
- Градиентный спуск с моментами
- RMSprop
- Алгоритм оптимизации Адама
- Снижение интенсивности обучения
- Задача локального оптимума
- Интервью с Юаньцин Линь
- Процесс настройки
- Использование подходящего масштаба для выбора гиперпараметров
- Оптимизация гиперпараметров на практике: панды или икра?
- Нормализация активаций в сети
- Подгонка пакетной нормализации под нейросеть
- Почему пакетная нормализация работает?
- Пакетная нормализация на этапе тестирования
- Регрессия Softmax
- Тренировка классификатора Softmax
- Фреймворки глубокого обучения
- TensorFlow