143
个编辑
更改
跳到导航
跳到搜索
第145行：
第145行： −
→基于连续方法观察神经网络EI
其次，我们使用连续变量计算有效信息的方法，我们同样发现，EI的最大变化与训练过程中损失函数最陡峭的部分显著匹配；在过拟合期间，EI在所有层中通常是平坦的，说明网络的因果结构已经趋于稳定，不再发生显著变化了。
其次，我们使用连续变量计算有效信息的方法，我们同样发现，EI的最大变化与训练过程中损失函数最陡峭的部分显著匹配；在过拟合期间，EI在所有层中通常是平坦的，说明网络的因果结构已经趋于稳定，不再发生显著变化了。
其次，我们使用连续变量计算有效信息的方法，在连续框架下单节点对单节点（one to one）的EI随着激活函数网络权重的变化趋势（如下图），连续计算方案不会对各类激活函数的输出空间施加人为压缩约束，最终连续版本一对一实验的 EI 变化规律，与离散版本一对一实验呈现出相同的变化趋势，Sigmoid和Tanh激活函数的例子呈现先上升后下降的趋势，并且峰值十分接近，以Relu为激活函数的例子则出现了先急增后缓增的情况。
其次，我们使用连续变量计算有效信息的方法，在连续框架下单节点对单节点（one to one）的EI随着激活函数网络权重的变化趋势（如下图），连续计算方案不会对各类激活函数的输出空间施加人为压缩约束，最终连续版本一对一实验的 EI 变化规律，与离散版本一对一实验呈现出相同的变化趋势，Sigmoid和Tanh激活函数的例子呈现先上升后下降的趋势，并且峰值十分接近，以Relu为激活函数的例子则出现了先急增后缓增的情况。