我试图理解在人工神经网络中使用的误差反向传播算法。
据我了解，每个神经元的输出都是sigmoid函数的结果，它将每个权重/输入对的乘积加上“偏差”值作为参数。
一旦计算出网络的总误差，就可以使用相对于各种权重的误差导数来找出误差函数的“局部最小值”。这些应该是误差最小的权重。
然而，导数为零的点在理论上也可以是局部最大值...我该如何解决这个问题呢？
干杯：）
答案 0 :(得分：1)
神经网络本身无法解决当地的最小问题。 所以我们需要其他技术。
减少局部最小问题的一种简单方法是使用动量。 （但是，这不是圣杯） 使用delta的历史移动（例如移动平均值）更新权重将是有用的。 例如，如果在某个时期，delta为-1，但最近的delta历史为+1，+ 2，+ 4，+ 2。 我们定义了MA大小5.然后这个时期的实际增量将是（+ 1 + 2 + 4 + 2 -1）/ 5 = +1.6
也许，如果你对移动窗口权重使用指数衰减函数，这种动量方法会显示出更好的结果。