ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

神经网络入门
章节 1: 神经网络基本原理
从生物神经元到人工神经元
权重和偏置:网络的参数
激活函数:引入非线性
网络结构:层与连接
一个简单的前馈网络示例
实践:计算神经元输出
第 1 章测验
章节 2: 为神经网络准备数据
理解输入数据表示
特征缩放:归一化与标准化
处理分类数据:编码技术
构建训练数据批次
数据划分:训练集、验证集和测试集
实践操作:预处理样本数据
第 2 章测验
章节 3: 前向传播:生成预测结果
网络中的信息流动
线性变换:加权和计算
逐层应用激活函数
高效计算的矩阵运算
计算最终输出预测
动手实践:实现前向传播
第 3 章测验
章节 4: 训练:反向传播与梯度下降
评估性能:损失函数
梯度下降的原理
反向传播:高效计算梯度
更新权重和偏差
学习率及其作用
随机梯度下降 (SGD) 及其变体
实践:手动计算梯度
第 4 章测验
章节 5: 构建与训练简单神经网络
搭建网络结构
初始化权重与偏置
训练循环的结构
实现训练步骤
监控训练进程
深度学习框架(TensorFlow/PyTorch)简介
动手实践:训练一个简单分类器
第 5 章测验
章节 6: 提升网络性能及泛化能力
理解过拟合和欠拟合
验证集的作用
正则化方法:L1 和 L2
Dropout:随机停用神经元
早期停止:优化训练终止
超参数调优策略
实践:应用正则化
第 6 章测验

章节 6: 提升网络性能及泛化能力

你已成功训练了一个基础神经网络 (neural network),使其能够从训练数据中学习模式。然而,一个只对自己已见过的数据表现良好的模型作用不大。真正的目的是泛化:即网络在新数据、未见过的数据上的表现如何。网络常常对训练数据学习得过于好,这是一种被称为过拟合 (overfitting)的现象,会导致泛化能力不足。

本章侧重于诊断和解决这一难题。我们将介绍实用技术,以提高网络在训练中未曾遇到的数据上的泛化能力和可靠表现。

具体来说,你将学到:

  • 识别过拟合及其对应情况——欠拟合 (underfitting)。
  • 有效使用验证集来监控训练过程中的泛化情况。
  • 应用L1L1L1、L2L2L2和Dropout等正则化 (regularization)方法来限制模型的复杂程度。
  • 实施提前停止,以避免网络训练时间过长。
  • 调整超参数 (parameter) (hyperparameter)以优化模型表现的策略。

课程章节

  • 6.1 理解过拟合和欠拟合

  • 6.2 验证集的作用

  • 6.3 正则化方法:L1 和 L2

  • 6.4 Dropout:随机停用神经元

  • 6.5 早期停止:优化训练终止

  • 6.6 超参数调优策略

  • 6.7 实践:应用正则化

© 2026 ApX Machine Learning