分类目录归档：基础设施
感知机（Perceptron）作为神经网络的基础单元，以下将从定义、原理、学习算法、实现示例等多个方面对其进行深入剖析：
在深度学习中，Dense Layer（全连接层）是一种非常常见且重要的神经网络层，以下是对其的详细介绍：
交叉熵（Cross - Entropy）是信息论中的一个概念，用于衡量两个概率分布之间的差异程度。给定两个概率分布(p)（真实分布）和(q)（预测分布），它们的交叉熵(H(p,q)=-\sum_{i}p(i)\log q(i))。这里(i)遍历所有可能的事件，并且假设概率分布是离散的；如果是连续分布，则用积分形式表示。例如，在一个简单的二分类问题中，假设真实标签的概率分布(p = [1,0])（表示正类概率为(1)，负类概率为(0)），预测概率分布(q = [0.8,0.2])，那么交叉熵(H(p,q)=-(1\times\log0.8 + 0\times\log0.2)...
基本原理：假设输入向量为(\boldsymbol{x}=(x_1,x_2,\cdots,x_n))，对于一个有(k)个类别的多分类问题，Softmax回归模型首先计算每个类别的得分(z_j)，一般通过线性变换(z_j = \boldsymbol{w}j^T\boldsymb...
学习率（Learning Rate）是机器学习和深度学习中优化算法的一个重要超参数。它决定了在每次迭代过程中，模型参数朝着损失函数梯度下降方向更新的步长大小。简单来说，学习率控制着模型学习的速度。例如，在梯度下降算法中，对于一个参数(\theta)，其更新公式为(\theta = \theta - \alpha \times \nabla L(\theta))，其中(\alpha)就是学习率，(\nabla L(\theta))是损失函数(L)关于(\theta)的梯度。
作用和影响
在数学和工程等领域，“显示解”（也称为显式解）是指能够用明确的公式表示出未知量的解。与隐式解相对，隐式解是通过一个方程（组）来隐含地定义未知量，而没有将未知量直接解出来。例如，对于一元二次方程(ax^2 + bx + c = 0)（(a\neq0)），其显示解为(x = \frac{-b \pm \sqrt{b^2 - 4ac}}{2a})，这个公式直接给出了(x)的取值，这就是显示解。
特点
训练损失（Training Loss）是在模型训练过程中，用于衡量模型预测结果与训练数据真实标签之间差异的指标。它是基于训练数据集计算得到的损失函数值。例如，在一个神经网络用于图像分类的训练过程中，对于每一批（batch）训练图像，将其输入网络得到预测类别概率，再与图像的真实类别标签通过损失函数（如交叉熵损失）进行计算，得到的损失值就是训练损失。
计算方式
首先要确定损失函数。不同的任务（如回归、分类等）有不同的损失函数。对于回归任务，常见的是平方损失（MSE）函数，计算方式为(L = \frac{1}{n}\sum_{i = 1}^{n}(\hat{y}_i - y_...
空间变换器（Spatial Transformer）是一种在深度学习架构（特别是卷积神经网络，CNN）中用于对输入数据（通常是具有空间结构的数据，如二维图像或三维体数据）进行空间变换的模块。它能够自动学习并应用空间变换，如平移、旋转、缩放和剪切等操作，以增强模型对数据空间变化的适应性。
工作原理
修正线性单元（Rectified Linear Unit，ReLU）是一种在深度学习中广泛使用的激活函数。它的定义非常简单，对于输入值(x)，ReLU函数的输出为(y = max(0,x))。这意味着当(x)大于等于(0)时，输出等于(x)；当(x)小于(0)时，输出为(0)。
优势