V
主页
4.5 损失函数汇总
发布人
打开封面
下载高清视频
观看高清视频
视频下载器
2.2 为什么MSE不能作为逻辑回归的损失函数?
2.6 二元交叉熵函数求梯度
1.4.3 过拟合现象-正则项
1.2梯度下降算法
1.5 波士顿房价线性回归实战
5.9 batch normalization
2.1 sigmoid函数性质
1.4.1 线性回归算法代码实战-1
1.6线性回归知识总结
4.1 全连接神经网络
7.1 循环神经网络介绍
3.1 softmax函数性质
6.11 迁移学习
6.7 卷积层参数个数的计算1
6.4 卷积神经网络总结
1.3 梯度下降算法代码实战
5.6 过拟合现象-由于模型结构复杂
6.3 卷积层详解
5.7 过拟合现象-早停法
3.6 多元交叉熵
6.2 卷积神经网络实战MNIST
6.8 卷积层参数个数的计算2
3.3 one-hot encoding独热编码详解
4.4 全连接神经网络总结
6.5 池化层详解
4.2 激活函数
3.4 线性回归-逻辑回归-softmax多分类对比详解
1.4.2 线性回归算法代码实战-2
5.2 L1正则项L2正则项
[损失函数设计] 为什么多分类问题损失函数用交叉熵损失,而不是 MSE
7.3 词的向量化表示2
2.4信息量信息熵的概念
2.10 逻辑回归知识点回顾
3.2 softmax代码详解
5.1 过拟合现象
3.7 标准化与归一化
2.3 二元交叉熵-MSE与BinaryCrossEntropy对比
3.8 MNIST手写数字体识别数据归一化和扁平化
7.10 RNN过拟合+多层LSTM
7.11 文本生成项目-李白写诗