吴恩达深度学习课程记录
it is possible to use both L2 regularization and dropout
np.sum
没有指明维度，那么np.sum计算的是整个矩阵的和
### START CODE HERE ### (approx. 1 line)
L2_regularization_cost = np.sum((np.sum(np.square(W1)),np.sum(np.square(W2)),np.sum(np.square(W3))))*lambd/(2*m)L2_regularization_cost 适合于希望超参数少的情况，现在只需要调lambd
如果lambd太大的话，分类就会太“平滑”，导致高偏差.
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/393/viewspace-2808062/ ，如需转载，请注明出处，否则将追究法律责任。
上一篇：
Java入门第二季 租车系统
下一篇：
php数独求解
请登录后发表评论
登录
全部评论
