第一周深度学习的实用层面
初始化
欢迎来到“改善深度神经网络”的第一项作业。
训练神经网络需要指定权重的初始值，而一个好的初始化方法将有助于网络学习。
如果你完成了本系列的上一课程，则可能已经按照我们的说明完成了权重初始化。如何为新的神经网络选择初始化？在本笔记本中，你能学习看到不同的初始化导致的不同结果。
好的初始化可以：
加快梯度下降、模型收敛减小梯度下降收敛过程中训练出现误差的几率
运行以下单元格以加载包和用于分类的二维数据集。
运行以下代码使用零初始化并迭代15,000次以训练模型。
性能确实很差，损失也没有真正降低，该算法的性能甚至不如随机猜测。为什么呢？让我们看一下预测的详细信息和决策边界：
因为数值舍入，你可能在0迭代之后看到损失为"inf"，我们会在之后用更复杂的数字实现解决此问题。
总之，看起来你的对称性已打破，这会带来更好的结果。相比之前，模型不再输出全0的结果了。
足球场守门员将球踢到空中，每支球队的球员都在尽力用头击球
他们为你提供了法国过去10场比赛的二维数据集。
预期输出:dA1=[[0.365444390.-0.001882330.-0.17408748][0.655157130.-0.003374590.-0.]]dA2=[[0.581808560.-0.002996790.-0.27715731][0.0.53159854-0.0.53159854-0.34089673][0.0.-0.002927330.-0.]]
关dropout你应该记住的事情：
文章为作者独立观点，不代表股票交易接口观点
股民评论