📃
Nielsen-NNDL
  • Introduction
  • 第1章 使用神经网络识别手写数字
    • 感知机神经元
    • sigmoid神经元
    • 神经网络的架构
    • 用于识别手写数字的简单网络
    • 梯度下降学习法
      • 准备工作
      • 梯度下降法
      • 应用到神经网络
    • 实现数字分类的神经网络
      • 数据集
      • 初始化
      • 向后传递
      • 随机梯度下降
      • 总结
  • 第2章 反向传播算法的工作原理
    • 热身:一种矩阵方法快速计算神经网络的输出
    • 关于代价函数的两个假设
    • Hadamard积
    • 反向传播算法中的4个等式
      • 一个新的定义
      • 4个等式
      • 等式的意义
    • 4个等式的证明
    • 反向传播算法
    • 代码解读
    • 反向传播算法为什么这么快
  • 第3章 提升神经网络的学习方法
    • cross-entropy代价函数
      • 当前神经网络存在的问题
      • 引入cross-entropy代价函数
      • 使用cross-entropy分类手写数字
      • cross-entropy代价函数是怎么推出来的
      • cross-entropy的数学意义
      • softmaxt+loglikelihood
    • 过拟合和正则化
      • 过拟合
      • L2正则化
      • 在当前神经网络中使用L2正则化
      • 其它问题
      • L1正则化
      • dropout正则化
      • 人为扩充训练数据
    • weights初始化
    • 回到手势识别代码
    • 怎样选择超参数
      • broad策略
      • 学习率eta
      • 迭代次数epochs
      • 正则化参数lambda
      • minibatch样本数m
      • 自动化技术
    • 其它技术
      • Hessian技术
      • momentum技术
      • tanh神经元
      • RectifiedLinear神经元
  • 第5章 训练深度神经网络难以训练
    • 梯度消失问题
    • 梯度消失的原因
  • 第6章 深度学习
    • 卷积神经网络介绍
      • LocalReceptiveField
      • SharedWeights
      • pooling层
      • 组装到一起
    • 卷积神经网络的实践与改进
    • 其它深度神经网络的方法
  • 术语中英文对照
Powered by GitBook
On this page

Was this helpful?

  1. 第3章 提升神经网络的学习方法
  2. cross-entropy代价函数

cross-entropy的数学意义

Previouscross-entropy代价函数是怎么推出来的Nextsoftmaxt+loglikelihood

Last updated 5 years ago

Was this helpful?

香农熵的定义:

H(x)=−∑jpilog⁡piH(x) = -\sum_jp_i\log p_iH(x)=−j∑​pi​logpi​

交叉熵的形式:

H(x)=−∑jpilog⁡qiH(x) = -\sum_jp_i\log q_iH(x)=−j∑​pi​logqi​

交叉熵是信息论中的一个概念。它是一种对“意外”的度量。 需要求得的是:x→y=y(x)x \rightarrow y = y(x)x→y=y(x) 实际求得的是:x→a=a(x)x \rightarrow a = a(x)x→a=a(x) 将a理解为y=1的概率,1-a为y=0的概率。 a越接近真实,“意外”越低,反之“意外”越高。

信息论中关于什么是“意外”有明确的定义。

熵