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
interpretable-ml-book-zh
提交
816e85ec
I
interpretable-ml-book-zh
项目概览
OpenDocCN
/
interpretable-ml-book-zh
通知
3
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
I
interpretable-ml-book-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
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
816e85ec
编写于
1月 05, 2020
作者:
B
binbinmeng
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
update
上级
dce3f9f1
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
1 addition
and
1 deletion
+1
-1
docs/7.md
docs/7.md
+1
-1
未找到文件。
docs/7.md
浏览文件 @
816e85ec
# 第7章神经网络解释
# 第7章
神经网络解释
以下各章重点介绍神经网络的解释方法。这些方法可视化了神经网络学到的特征和概念,解释了各个预测并简化了神经网络。
<br>
深度学习非常成功,尤其是在涉及图像和文本的任务中,例如图像分类和语言翻译。深度神经网络的成功事例始于2012年,当时通过深度学习方法赢得了ImageNet$图像分类挑战^{65}$冠军。从那时起,我们见证了深度神经网络架构的寒武纪爆炸式增长,并且趋势是具有越来越多的权重参数的深度网络。
<br>
为了使用神经网络进行预测,数据输入将通过与学习的权重相乘的多层乘法进行传递,并经过非线性变换。根据神经网络的架构,单个预测可能涉及数百万个数学运算。我们人类不可能完全遵循从数据输入到预测的精确映射。我们必须考虑数百万个以复杂方式相互作用的权重,才能理解神经网络的预测。为了解释神经网络的行为和预测,我们需要特定的解释方法。本章假定您熟悉深度学习,包括卷积神经网络。
<br>
...
...
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