做门户网站的框架,医院门户网站制作,安装完wordpress第一件事,最简单的单页网站怎么做2021秋招-目录
知识点总结
预训练语言模型: Bert家族 1.1 BERT、attention、transformer理解部分
B站讲解–强烈推荐可视化推倒结合代码理解代码部分常见面试考点以及问题:
word2vec 、 fasttext 、elmo;BN 、LN、CN、WNNLP中的loss与评价总结 4.1 loss_function#xff1…2021秋招-目录
知识点总结
预训练语言模型: Bert家族 1.1 BERT、attention、transformer理解部分
B站讲解–强烈推荐可视化推倒结合代码理解代码部分常见面试考点以及问题:
word2vec 、 fasttext 、elmo;BN 、LN、CN、WNNLP中的loss与评价总结 4.1 loss_function
深度学习-Loss函数
L1、L2正则化总结: L1,L2正则所有问题-视频-PPT截图⭐⭐⭐⭐ 5.1 知乎-L1正则化与L2正则化⭐⭐⭐ 5.2 贝叶斯眼里的正则化⭐⭐ 5.1 L1正则化与L2正则化 5.2 深入理解L1、L2正则化 5.3 L1和L2正则化的概率解释 5.4 机器学习中的范数规则化之一L0、L1与L2范数 5.5 L1正则化和L2正则化的详细直观解释 5.6 机器学习——正则化不理解的地方过拟合、欠拟合 原因、现象、解决办法。 6.1 深度学习中的过拟合问题和解决办法转载 6.2
面经
刷题
深度学习汇总
0. 数学公式整理
机器学习之常用矩阵/向量运算-待整理
矩阵乘法Hadamard product向量点积向量叉积CNN中点积求和矩阵乘法中: 可以看作 向量点积
(转载)数学-矩阵计算 矩阵和向量的求导法则-待整理
1. 前馈网络、反向传播公式推导
反向传播算法过程及公式推导)⭐⭐⭐ 反向传播算法—从四个基本公式说起
神经元结构神经网络入门——神经元算法 神经元/数据/参数 计算; 神经元指的一个结构。
2. SGD推倒
3. 优化器总结
4. 激活函数总结
5. pooling、dropout、
6. 参数 超参数、batch_size、学习率
6.损失函数专题
7.过拟合、欠拟合
8.BN、LN
8.1 Internal Covariate Shift
如何理解 Internal Covariate Shift
深度神经网络模型的训练为什么会很困难其中一个重要的原因是深度神经网络涉及到很多层的叠加而每一层的参数更新会导致上层的输入数据分布发生变化通过层层叠加高层的输入分布变化会非常剧烈这就使得高层需要不断去重新适应底层的参数更新。为了训好模型我们需要非常谨慎地去设定学习率、初始化权重、以及尽可能细致的参数更新策略。
Google 将这一现象总结为 Internal Covariate Shift简称 ICS。 什么是 ICS 呢
大家都知道在统计机器学习中的一个经典假设是“源空间source domain和目标空间target domain的数据分布distribution是一致的”。如果不一致那么就出现了新的机器学习问题如 transfer learning / domain adaptation 等。而 covariate shift 就是分布不一致假设之下的一个分支问题它是指源空间和目标空间的条件概率是一致的但是其边缘概率不同。
大家细想便会发现的确对于神经网络的各层输出由于它们经过了层内操作作用其分布显然与各层对应的输入信号分布不同而且差异会随着网络深度增大而增大可是它们所能“指示”的样本标记label仍然是不变的这便符合了covariate shift的定义。由于是对层间信号的分析也即是“internal”的来由。
那么ICS会导致什么问题
简而言之每个神经元的输入数据不再是“独立同分布”。
其一上层参数需要不断适应新的输入数据分布降低学习速度。
其二下层输入的变化可能趋向于变大或者变小导致上层落入饱和区使得学习过早停止。
其三每层的更新都会影响到其它层因此每层的参数更新策略需要尽可能的谨慎。 9.CNN
10.RNN
11.Attention-Transformer
12.BERT
13.BERT~ALBert ~ 。。。
