การใช้กับข้อมูลใหม่
ประสิทธิภาพบนข้อมูลฝึกและบนข้อมูลใหม่เป็นคนละค่า
บทเรียน
- ReLU และการปรับมาตราส่วนบวก
- มาร์จินฝึกต่ำสุด
- เคอร์เนลสัมผัสประสาท
- ความสูญเสียทดแทนมาร์จิน
- ขอบเขตความซับซ้อน
- ความสูญเสียของกฎทำนาย
- การทำเครือข่ายให้เป็นเชิงเส้น
- การไหลตามเกรเดียนต์และเคอร์เนล
- ความสูญเสียเอ็กซ์โพเนนเชียลและมาร์จิน
- อินเตอร์โพเลตนอร์มเคอร์เนลต่ำสุด
- กลุ่มเครือข่ายจำกัดนอร์ม
- ตัวอย่างการหดตัวราเดมาเคอร์
- ความเท่ากันของซูพรีมัม
- การแยกขอบเขตนอร์มทีละชั้น
- ตัวอย่างขอบเขตมาร์จิน
- เส้นโค้งความแปรปรวนในลิมิต
- มิติประสิทธิผลและความแปรปรวน
- ความแปรปรวนที่พิกัดมีสหสัมพันธ์
- ชั้นประชิดที่สมดุล
- คำตอบการไหลด้วยเคอร์เนลคงที่
- ความเท่ากันไบแอส–ความแปรปรวนที่พิมพ์ไว้
- ความสูญเสียฝึกและมาร์จินทนทาน
- ความเสี่ยงเอ็กซ์โพเนนเชียลและเกรเดียนต์
- เกรเดียนต์ทำให้เป็นมาตรฐานที่ฉายแล้ว
- การแพร่ย้อนกลับผ่านสองชั้น
- กรณีขอบเขตในอสมการมาร์จินที่พิมพ์
- เมทริกซ์ผกผันเทียมจากหนึ่งตัวอย่าง
- มาตรวัดความซับซ้อนตัวอย่างของอัลกอริทึม
- เอกลักษณ์อนุพันธ์ ReLU
- ลิมิตความกว้างและปริภูมิเคอร์เนล