如何为东莞网站添加背影音乐以提升网站排名？

网站添加背影音乐怎么做,东莞网站排名价格,湖北网站制作公司,wordpress 分类下文章列表一、说明 在本系列中#xff0c;我们将学习如何仅使用普通和现代C编写必须知道的深度学习算法#xff0c;例如卷积、反向传播、激活函数、优化器、深度神经网络等。 在这个故事中#xff0c;我们将通过引入梯度下降算法来介绍数据中 2D 卷积核的拟合。我们将使用卷积和上一个… 一、说明 在本系列中我们将学习如何仅使用普通和现代C编写必须知道的深度学习算法例如卷积、反向传播、激活函数、优化器、深度神经网络等。 在这个故事中我们将通过引入梯度下降算法来介绍数据中 2D 卷积核的拟合。我们将使用卷积和上一个故事中引入的成本函数概念将所有内容编码为现代C和特征。 这个故事是C的梯度下降查看其他故事 0 — 现代C深度学习编程基础 1 — 在C中编码 2D 卷积 2 — 使用 Lambda 的成本函数 4 — 激活函数 ...更多内容即将推出。 二、函数逼近作为优化问题 如果你读过我们之前的演讲你已经知道在机器学习中我们大部分时间都在关注使用数据来寻找函数近似值。 通常我们通过找到最小化成本值的系数来获得函数近似。因此我们的近似问题被转换为优化问题我们试图最小化成本函数的值。 三、成本函数和梯度下降 成本函数计算使用函数 HX 近似目标函数 FX 的开销。例如如果 HX 是输入 X 和核 k 之间的卷积则 MSE 成本函数由下式给出 我们通常做 Yn  FXn结果是 MSE是均方误差是上一个故事中介绍的成本函数 因此我们的目标是找到最小化MSEk的内核值km。找到 km 的最基本但最强大的算法是梯度下降。 梯度下降使用成本函数梯度来查找最小成本。为了理解什么是梯度让我们谈谈成本表面。 四、绘制成本曲面 为了更容易理解让我们暂时假设内核仅由两个系数组成。如果我们为每个可能的组合绘制 MSEk 的值我们最终会得到这样的表面k[k00, k01][k00, k01] 在每个点上曲面与0k₀₀轴有一个倾角与0k₀₁轴有另一个倾角(k00, k01, MSE(k00, k01)) 偏导数 这两个斜率分别是 MSE 曲线相对于轴 O k₀₀ 和 Ok₀₁ 的偏导数。在微积分中我们非常使用符号∂来表示偏导数 这两个偏导数共同构成了MSE相对于轴O k₀₀和Ok₀₁的梯度。此梯度用于驱动梯度下降算法的执行如下所示 梯度下降的实际应用 在成本表面上执行此“导航”的算法称为梯度下降。 五、梯度下降 梯度下降伪代码描述如下 gradient_descent:initialize k, learning_rate, epoch 1repeatk k - learning_rate x ∇Cost(k)until epoch max_epochreturn k learning_rate x ∇Costk 的值通常称为权重更新。我们可以通过以下方式恢复梯度下降的行为 for each iteration:calculate the weight updatesubtract it from the parameter k 顾名思义Costk 是配置 k 的成本函数。梯度下降的目的是找到成本k最小的k值。 learning_rate通常是像 0.1、0.01、0.001 左右这样的标量。此值控制优化过程中的步长。 该算法循环 max_epoch 次。有时我们会更早地停止算法即即使纪元 max_epoch在 Costk 太小的情况下。 我们通常用超参数的名称来指代learning_rate和max_epoch等参数。 要实现梯度下降我们需要知道的最后一件事是如何计算 Ck 的梯度。幸运的是在成本函数为 MSE 的情况下如前所述查找 ∇Costk 非常简单。 六、查找 MSE 梯度 到目前为止我们已经看到梯度的分量是每个轴 0kij 的成本面的斜率。我们还看到MSEk 相对于每个 i 个、核 k 的系数 j-的梯度由下式给出 让我们记住MSEk 由下式给出 其中n是每对的索引YnTnrc是输出矩阵系数的索引 输出布局 使用链式规则和线性组合规则我们可以通过以下方式找到MSE梯度 由于 N、R、C、Yn 和 T n 的值是已知的我们需要计算的只是 Tn 中每个系数相对于系数 kij 的偏导数。