- 前言
学海无涯苦作舟
1. 目标
1.1. 阶段一。 通过导入面相 (声纹|指纹)数据 与 日元
自学习 面相 与 日元关系 推导出 计算公式
2. 想法
2.1. 内丹的训练过程， 即 深度神经网络 输入 训练 通过N层 网络 得到结果 中靶 脱靶
2.2. 修炼佛法， 即 输入信息 拟合 中靶 脱靶 佛法 即 兼容性更高的 可以解释一切的 拟合函数
3. 图形化测试
3.1. http://playground.tensorflow.org/
4. 流程
4.1. 简单神经元流程
4.1.1. 前向传播
想象一个工厂生产线。原材料(输入数据)从一端进入,经过多个工作站(神经元层),每个工作站都对材料进行一些加工(激活函数)。最后,成品(预测结果)从另一端出来。这就是前向传播的过程 - 信息从输入层流向输出层。
4.1.2. 代价函数
把这比作是一个射箭比赛。你的目标是射中靶心(真实值),而你的箭落在靶上的某个位置(预测值)。代价函数就像是测量箭与靶心之间距离的尺子。距离越远,代价越大;距离越近,代价越小。你的目标是让这个”距离”尽可能小。
4.1.3. 反向传播
想象你在玩一个复杂的电子游戏,刚开始时你总是输。但每次失败后,游戏都会告诉你哪里做错了 - 可能是跳跃时机不对,或者选错了武器。你根据这些反馈调整策略,慢慢变得更擅长。反向传播就是这样,它从输出层开始,逐层回溯,找出每个”决策点”(权重和偏置)的贡献,告诉网络如何调整以减少错误。
4.1.4. 梯度下降
想象你在一个有很多山丘的黑暗地形中,你的目标是找到最低点。你可以感觉到脚下地面的倾斜程度(梯度)。你决定总是向着最陡峭的下坡方向走几步(学习率),然后再次检查周围的倾斜度。通过不断重复这个过程,你最终会到达山谷底部(最小值)。梯度下降就是这样工作的,它不断调整参数,试图找到使代价函数最小的点。