神经网络训练的建议

在本章中，我们将了解可以使用TensorFlow框架实现的神经网络训练的各个方面。

以下几个建议，可以评估 -

1. 反向传播

反向传播是计算偏导数的简单方法，其中包括最适合神经网络的基本形式的合成。

2. 随机梯度下降

在随机梯度下降中，批处理是示例的总数，用户用于在单次迭代中计算梯度。到目前为止，假设批处理已经是整个数据集。最好的例子是谷歌规模; 数据集通常包含数十亿甚至数千亿个示例。

3. 学习率衰减

调整学习速率是梯度下降优化的最重要特征之一。这对TensorFlow实施至关重要。

4. Dropout

具有大量参数的深度神经网络构成了强大的机器学习系统。然而，过度拟合是这种网络中的严重问题。

5. 最大池

最大池化是基于样本的离散化过程。目标是对输入表示进行下采样，从而减少具有所需假设的维数。

6.长期短期记忆(LSTM)

LSTM控制在指定神经元内应该采取什么输入的决定。它包括控制决定应该计算什么以及应该生成什么输出。