深度学习中的体重和偏见是什么？

我开始从Tensorflow网站学习机器学习。对于深度学习程序遵循的流程，我已经有了非常基本的了解（这种方法使我可以快速学习，而不必阅读书籍和大型文章）。

我遇到了一些令人困惑的事情，其中​​两个是：

1. 偏压
2. 重量

在tensorflow网站上的MNIST教程中，他们提到我们需要偏见和权重才能找到图像中存在特定图案的证据。我不明白的是，在何处以及如何确定“偏差”和“权重”的值？

我们是否必须提供这些值，或者TensorFlow库是否基于训练数据集自动计算这些值？

另外，如果您可以提供一些有关如何加快我的深度学习速度的建议，那就太好了！

Tensorflow初学者教程

从数学上讲。想象一下你是一个模特（不，不是那种，图8）

偏压只是您的偏见，现在您是尼日利亚人，而您被问到“哪个国籍的女人最美丽”，您说尼日利亚女士，我们可以说这是因为您有偏见。所以你的公式是$Y = WX + nigerian$。

那你懂什么？有偏见的是，像您这样的模型中的预先假设。

至于权重，从逻辑上讲，权重是您的梯度（线性代数中的a），

什么是渐变？，这是线性函数的陡度。

是什么使线性梯度非常陡峭（高正值）？

这是因为X（输入）的微小变化会导致Y轴（输出）的较大差异。因此，您（不再是模型，而是一位出色的数学家（您的自我））或您的计算机尝试找到此梯度，您可以将其称为权重。不同之处在于，您使用铅笔和图形书来查找此内容，但黑匣子通过寄存器进行电子魔术。

在机器学习过程中，计算机或您尝试在数据点上绘制许多直线或线性函数，

为什么您尝试绘制许多直线？

因为在您的图形书/计算机存储器中，您正在尝试查看合适的行。

我或计算机如何知道合适的线？

在我的中学里，我被教导要在数据点上画一条线，目视检查在所有数据点中间完美切入的线（忘记那些AI炒作，我们的大脑可以通过盯着事物来计算） 。但是对于计算机，它会尝试每条线向数据点的标准偏差和方差。选择偏差最小的行（有时将其称为误差函数）。

凉！那么，会发生什么

计算该线的梯度，可以说是计算学习问题的权重

多数民众赞成在机器学习的基本理解和他/她的Graphbook中的高中学生绘图图

我同意您对课程的看法，您应该看一门课程，也许是Andrew Ng的Coursera机器学习，这是一门备受推崇的免费入门课程。这是关于机器学习基础的一个基本问题。因此，我不会在此答案中涵盖数学，因此您可以从很多地方获得该知识，包括该课程。

在何处以及如何确定“偏差”和“权重”的值？

权重和偏差是模型的可学习参数。除神经网络外，它们在线性回归等相关模型中也以相同的名称出现。大多数机器学习算法都包含一些这样的可学习参数。

在学习开始之前，这些参数的值是随机初始化的（这将使它们全部收敛为单个值）。然后，在训练过程中提供数据时，会将它们调整为具有正确输出的值。

我们是否必须提供这些值，或者TensorFlow库是否基于训练数据集自动计算这些值？

尽管您可能想决定诸如应该有多少个参数（在由每一层的大小控制的神经网络中）之类的事情，但是您不需要在训练之前提供值。TensorFlow在训练期间会自动计算值。如果您已经有一个训练过的模型并想重新使用它，那么您将需要直接设置值，例如通过从文件中加载它们。

处理本教程中权重和偏差的更改的特定代码是这样的：

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

还有这个：

sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

第一行定义权重和值的更改方式。您几乎可以将其理解为“定义使用梯度下降优化器来减少所提供数据的交叉熵的训练函数”。

第二行使用特定的数据段调用该函数。每次运行第二条线时，都会调整权重和偏差值，以便神经网络输出$y$ 每个值都更接近正确的关联 $x$ 值。

重量 -重量是连接的强度。如果我增加输入，那么它将对输出产生多少影响。

权重接近零意味着更改此输入不会更改输出。许多算法会自动将这些权重设置为零，以简化网络。

偏差 -表示我们的预测与实际价值相差多远。通常，参数化算法具有较高的偏差，使其学习速度更快，更易于理解，但灵活性通常较低。反过来，对于无法满足算法偏差的简化假设的复杂问题，它们的预测性能较低。

低偏差：建议对目标函数的形式进行更多假设。

高偏差：建议减少有关目标函数形式的假设。