Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
9828251c
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
9828251c
编写于
10月 05, 2018
作者:
A
Aston Zhang
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
minor fix
上级
cfcad927
变更
2
隐藏空白更改
内联
并排
Showing
2 changed file
with
2 addition
and
2 deletion
+2
-2
chapter_convolutional-neural-networks/padding-and-strides.md
chapter_convolutional-neural-networks/padding-and-strides.md
+1
-1
chapter_deep-learning-basics/backprop.md
chapter_deep-learning-basics/backprop.md
+1
-1
未找到文件。
chapter_convolutional-neural-networks/padding-and-strides.md
浏览文件 @
9828251c
...
...
@@ -22,7 +22,7 @@ $$(n_h-k_h+p_h+1)\times(n_w-k_w+p_w+1),$$
卷积神经网络经常使用奇数高宽的卷积核,例如1、3、5和7,所以填充在两端上的数目相同。对任意的二维数组
`X`
,设它的第
`i`
行第
`j`
列的元素为
`X[i,j]`
。当填充在两端的数目相同,并使得输入和输出具有相同的高和宽时,我们就知道输出
`Y[i,j]`
是由输入以
`X[i,j]`
为中心的窗口同卷积核进行互相关计算得到的。
下面例子里我们创建一个高和宽为3的二维卷积层,然后设输入高和宽两侧的填充数
均
为1。给定一个高和宽为8的输入,我们发现输出的高和宽也是8。
下面例子里我们创建一个高和宽为3的二维卷积层,然后设输入高和宽两侧的填充数
分别
为1。给定一个高和宽为8的输入,我们发现输出的高和宽也是8。
```
{.python .input n=1}
from mxnet import nd
...
...
chapter_deep-learning-basics/backprop.md
浏览文件 @
9828251c
...
...
@@ -22,7 +22,7 @@ $$L = \ell(\boldsymbol{o}, y).$$
根据$L_2$范数正则化的定义,给定超参数$
\l
ambda$,正则化项即
$$s =
\f
rac{
\l
ambda}{2}
L_2 =
\f
rac{
\l
ambda}{2}
\l
eft(
\|\b
oldsymbol{W}^{(1)}
\|
_F^2 + \|\boldsymbol{W}^{(2)}\|_
F^2
\r
ight),$$
$$s =
\f
rac{
\l
ambda}{2}
\l
eft(
\|\b
oldsymbol{W}^{(1)}
\|
_F^2 + \|\boldsymbol{W}^{(2)}\|_
F^2
\r
ight),$$
其中矩阵的Frobenius范数等价于将矩阵变平为向量后计算$L_2$范数。最终,模型在给定的数据样本上带正则化的损失为
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录