检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
检测到您已登录华为云国际站账号，为了您更好的体验，建议您访问国际站服务网站 https://www.huaweicloud.com/intl/zh-cn
不再显示此消息
件不仅展示了人工智能的演进，也体现了其在系统性思维上的挑战。在机器学习领域，我学习了有监督学习、无监督学习、半监督学习和强化学习等概念。特别是强化学习，它通过奖励和惩罚机制进行学习，非常适合棋类游戏。而无监督学习中的聚类算法，让我意识到它在日常生活中的广泛应用，比如超市货架的商品
解决欠拟合问题的方法比较简单，增加模型复杂度就可以了。常见的方法是增加隐藏层的数量或者增加隐藏层的节点数，或者二者同时增加。如果训练误差持续下降，接近于0。而测试误差在下降后变得平稳，甚至略有上升。训练误差和测试误差的差距较大。这就是典型的过拟合情况。在建立神经网络模型的初始阶段
发挥作用的一个简单例子说起：学习 XOR 函数。 XOR 函数（“异或” 逻辑）是两个二进制值 x1 和 x2 的运算。当这些二进制值中恰好有一个为 1 时，XOR 函数返回值为 1。其余情况下返回值为 0。XOR 函数提供了我们想要学习的目标函数 y = f∗(x)。我们的模型给出了一个函数
89864369.png) 这个算法就是梯度下降法，在更新w的过程中，加入了一个系数$\alpha$，他是一个比较小的正数，叫做`学习步长`，这样可以让w更新的速度变慢一些，使得w更容易收敛。
] [ -5.6394696] [-15.602908 ]] 跑了5轮，训练结果里不会再有nan了。 损失还是在慢慢下降中，所以还是有继续跑以减少损失的空间。
这里用的损失函数是采用均方差（Mean Square Error MES），还有一个是交叉熵（cross-entropy）这个tf都提供了方法，这样写：loss_function=tf.reduce_mean(tf.squre(y-pred))这里pred是一个节点，就是调用模型
1%。主要问题是如何设置 ϵ0。若 ϵ0 太大，学习曲线将会剧烈振荡，代价函数值通常会明显增加。温和的振荡是良好的，容易在训练随机代价函数（例如使用 Dropout 的代价函数）时出现。如果学习率太小，那么学习过程会很缓慢。如果初始学习率太低，那么学习可能会卡在一个相当高的代价值。通常，就
先要对自变量进行`标准化`，对因变量进行`中心化`。 标准化后所有自变量的均值是0，方差是1。中心化后因变量的均值是0。 这样做可以让梯步下降法的数值更加稳定，更容易找到合适的初始值和学习步长。 一个标准化的方法就是让数据的每一列减去该列的均值，然后除以该列的样本标准差（$sd(x)$）: 
