neural-network - 神经网络如何“记住”它学到的东西?
问题描述
我试图集中精力理解神经网络,从我所看到的一切来看,我知道它们是由节点创建的层组成的。这些节点通过“加权”连接相互连接,通过输入层传递值,值通过节点传播,根据连接的“权重”改变它们的值(对吗?)。最终,它们以一个值到达输出层。我理解这个过程,但我不明白这如何导致网络被训练。网络是否记得加权连接之间的模式?它是如何记住这种模式的?
解决方案
每个节点上的每个权重和偏差就像一个存储变量。随着新数据导致其权重和偏差发生变化,这些变量也会发生变化。最终,经过训练的算法完成,权重和偏差不再需要改变。然后,您可以随心所欲地存储有关所有节点、权重、偏差和连接的信息。此信息是您的模型。所以“记忆”只是权重和偏差的值。
推荐阅读
- continuous-integration - Gitlab管道测试阶段失败并无论如何创建工件
- c - MISRA 13.5 关于非编译示例的问题
- python - pycharm 的 PYTHONPATH 错误?
- javascript - 推文对象数组的 ShellSort
- c# - 在 UWP 中使用 data.sqlclient 的 SQL Server 请求出错
- rust - 如何将值推送到 Vec 并同时将其附加到 String?
- angular - 文件名...不同于已包含的文件名...仅在大小写中
- ios - 笔尖中的颜色资产以编程方式覆盖设置颜色
- android - 当且仅当按钮的活动来自另一个活动时,我如何才能使按钮不可见?
- json - 添加“debugLocale”时如何通过write-manifest.json的JSON验证?