目前神经网络的训练方法就是通过一定量的数据进行拟合一个函数
也就是说数据集的定义域是一个范围,
假设我们的数据集的定义域是[1,10]
拟合出来一个直线是A
如果将定义域的范围拓展为[1,100]
拟合出来一个直线是B
那么B一定会比A接近真实的直线C
增加数据集的定义域范围方法
方法1
增加不改变基本特征的噪声
方法2
进行一定的变换来拓宽定义域的范围
方法3
增加权重占比例如
y=kx
x=y/k
x=y/(k+1)
那么x自然变大
目前神经网络的训练方法就是通过一定量的数据进行拟合一个函数
也就是说数据集的定义域是一个范围,
假设我们的数据集的定义域是[1,10]
拟合出来一个直线是A
如果将定义域的范围拓展为[1,100]
拟合出来一个直线是B
那么B一定会比A接近真实的直线C
增加数据集的定义域范围方法
方法1
增加不改变基本特征的噪声
方法2
进行一定的变换来拓宽定义域的范围
方法3
增加权重占比例如
y=kx
x=y/k
x=y/(k+1)
那么x自然变大
0.TensorFlow中的变量 |- 函数介绍: |- tf.Variable:TensorFlow中的变量声明函数 |- tf.random_normal: |- Ten
举报文章
请选择举报类型
补充说明
0/200
上传截图
格式支持JPEG/PNG/JPG,图片不超过1.9M