L2正则化 – 冬月既望

2025-4-02 16:28

|

|

958

241 字

|

1 分钟内

本文最后更新于385 天前，其中的信息可能已经过时，如有错误请发送邮件到1910452164@qq.com

正则化的基本操作

更新损失函数，引入W的L2范数

正则化的原理

λ增加到足够大时，W会被压缩至很小，使得神经网络中的所有隐藏单元的影响变得极小，因此神经网络会变得更接近逻辑回归，更不容易发生过拟合
需要注意的是，λ会存在一个中间值，于是会有一个“中间状态”，使得模型的拟合程度最适中。

如果每层都是线性的，那么整个网络就是一个线性网络，即使是一个非常深的深层网络，因具有线性激活函数的特征，最终我们只能计算线性函数，因此，它不适用于非常复杂的决策，以及过度拟合数据集的非线性决策边界

评论

匿名

Windows Chrome

10 月前
2025-7-08 18:12:41

和谐nb无人可敌

发送评论编辑评论

Markdown

悄悄话

邮件提醒

|´・ω・)ノ

ヾ(≧∇≦*)ゝ

(☆ω☆)

（╯‵□′）╯︵┴─┴

￣﹃￣

(/ω＼)

∠( ᐛ 」∠)＿

(๑•̀ㅁ•́ฅ)

→_→

୧(๑•̀⌄•́๑)૭

٩(ˊᗜˋ*)و

(ノ°ο°)ノ

(´இ皿இ｀)

⌇●﹏●⌇

(ฅ´ω`ฅ)

(╯°A°)╯︵○○○

φ(￣∇￣o)

ヾ(´･･｀｡)ノ"

( ง ᵒ̌皿ᵒ̌)ง⁼³₌₃

(ó﹏ò｡)

Σ(っ °Д °;)っ

( ,,´･ω･)ﾉ"(´っω･｀｡)

╮(╯▽╰)╭

o(*////▽////*)q

＞﹏＜

( ๑´•ω•) "(ㆆᴗㆆ)

颜文字

Emoji

小恐龙

花!