BP算法 (即反向传播算法)是在有导师指导下,适合于多层神经元网络的一种学习算法,它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系:一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射,这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合,因此具有很强的函数复现能力。这是BP算法得以应用的基础。

VIP内容

简介: 深度学习通常被认为具有解决问题的近乎形而上的能力。 然而,深度学习背后的技术通常被视为神秘的黑匣子。 在本教程中,我们试图为深入了解深度学习提供坚实的基础。 我们的主要重点是反向传播和自动微分,但我们还将讨论各种相关主题,包括梯度下降和出现的各种参数。 此外,我们指出了深度学习与其他非深度技术之间的许多联系,这些联系主要是隐马尔可夫模型(HMM)和支持向量机(SVM)。 但是首先,我们讨论人工神经网络,这是深度学习的基本组成部分。

大纲介绍:

  • 介绍
  • 神经网络的发展
  • 为什么是神经网络呢?
  • 决定
  • 自动微分
  • 反向传播
  • 结论
  • 问题
  • 附件
成为VIP会员查看完整内容
8+
0+
更多VIP内容

最新论文

Temporal action localization is an important step towards video understanding. Most current action localization methods depend on untrimmed videos with full temporal annotations of action instances. However, it is expensive and time-consuming to annotate both action labels and temporal boundaries of videos. To this end, we propose a weakly supervised temporal action localization method that only requires video-level action instances as supervision during training. We propose a classification module to generate action labels for each segment in the video, and a deep metric learning module to learn the similarity between different action instances. We jointly optimize a balanced binary cross-entropy loss and a metric loss using a standard backpropagation algorithm. Extensive experiments demonstrate the effectiveness of both of these components in temporal localization. We evaluate our algorithm on two challenging untrimmed video datasets: THUMOS14 and ActivityNet1.2. Our approach improves the current state-of-the-art result for THUMOS14 by 6.5% mAP at IoU threshold 0.5, and achieves competitive performance for ActivityNet1.2.

0+
0+
下载
预览
更多最新论文
父主题
Top