如何解决神经网络中激活特征的数量和学习稳定性
如果我有意增加神经网络的层权重,我认为会出现过度拟合现象。使用ReLU作为激活功能,这种现象将增加神经元对输入的敏感性,并导致多个神经元归零,同时强调较少的相关连接。
鉴于上述陈述,并使用ReLU,我预计非零输出的值会相应增加,这可能最终会导致学习不稳定(?),因为我们在下一层使用不断增长的高价值输入。
现在,想象一下,在促进体重增加的同时,我将ReLU的正输出约束为≤1,权重最终会稳定吗?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。