Backprop is a very simple and effic

Backprop is a very simple and efficient way to compute the gradient in a neural network and one can use it in conjunction with stochastic gradient descent which is also quite simple. There are more complex "quasi-Newton" techniques which make a better estimate of the gradient direction and step size, but in the examples I've seen they don't perform better than backprop and SGD.

ผลลัพธ์ (ไทย) 1:

Backprop เป็นวิธีง่าย และมีประสิทธิภาพจะคำนวณไล่ระดับสีในเครือข่ายประสาท และหนึ่งสามารถใช้ร่วมกับเชื้อสายไล่ระดับแบบเฟ้นสุ่มซึ่งก็ค่อนข้างง่าย มีเทคนิค "quasi-นิวตัน" ซับซ้อนซึ่งทำให้การประเมินที่ดีขนาดทิศทางและขั้นตอนการไล่โทนสี แต่ในตัวอย่าง ผมเคยเห็นพวกเขาไม่ทำดีกว่า backprop และ SGD.

ผลลัพธ์ (ไทย) 2:

Backprop เป็นวิธีที่ง่ายมากและมีประสิทธิภาพในการคำนวณการไล่ระดับสีในเครือข่ายประสาทและสามารถใช้ร่วมกับการไล่ระดับสีโคตรสุ่มซึ่งยังค่อนข้างง่าย มีความซับซ้อนมากขึ้น "กึ่งนิวตัน" เทคนิคที่ทำให้การประมาณการที่ดีขึ้นของทิศทางการไล่ระดับสีและขนาดขั้นตอน แต่ในตัวอย่างที่ผมเคยเห็นพวกเขาไม่ได้มีประสิทธิภาพสูงกว่า backprop และ SGD

ผลลัพธ์ (ไทย) 3:

backprop เป็นวิธีที่ง่ายและมีประสิทธิภาพที่จะคำนวณการไล่ระดับสีในเครือข่ายประสาทและสามารถใช้งานร่วมกับ Stochastic เดียนเชื้อสายซึ่งยังค่อนข้างง่าย มีความซับซ้อนมากขึ้น " กึ่งนิวตัน " เทคนิคซึ่งทำให้ประมาณการที่ดีของทิศทางการไล่ระดับสีและขนาดขั้น แต่ในตัวอย่าง ผมเคยเห็นพวกเขาไม่ได้ดำเนินการที่ดีกว่าและ backprop SGD .