Cot仍然是余切，余切，余切，[KuˈtændʒNT]。
在数学中，CSC是余切。
在直角三角形中，斜边与锐角对边的比率用CSC（角度）表示。
斜边大于对边。角的顶点与平面直角坐标系的原点重合，其起始边与正x轴重合。它叫CSCX。
它与正弦的比率表达式相反。余割的函数像是奇的、周期的。
倒数关系：
1，Tanα·cotα=1。
2、sinα·cscα=1。
3、cosα·secα=1。
属性：
1。在三角函数的定义中，CSCα=R/Y；
2。余割函数和正弦函数是互易的；
3。定义域：{x | x≠Kπ，K∈Z}；
4。取值范围：{y | y≤-1或y≥1}，即▏y▏≥1；
5。周期性：最小正周期为2π；
6。奇偶校验：奇数函数。
深度学习是近年来随着信息社会、学习科学和课程改革的发展而出现的一种新的学习模式和形式。
目前，对深度学习的概念有很多答案，很多专家学者的解释是本质意义一致的表述略有不同。
李嘉厚教授认为，深度学习是建立在理解的基础上的。学习者可以批判性地学习新的想法和事实，将它们融入原有的认知结构，将许多想法联系起来，并将现有的知识转移到新的情境中，从而做出决策和解决问题。
郭华教授认为，深度学习是在教师指导下的一个有意义的学习过程，学生围绕挑战性的学习主题，全心投入，体验成功，获得发展。它具有批判性理解、有机整合、建设性反思和迁移应用的特点。
深度学习有几个特点。一是触动人心的学习。第二，体验式学习。三是深入认识和实践创新的研究。
增加了网络的非线性能力，以适应更多的非线性过程。在一定程度上，relu可以防止梯度的消失，但这并不是使用它的主要原因。主要原因是很容易找到导数。在一定程度上，这意味着右端不会接近饱和。当我们计算导数时，导数不会为零，所以梯度不会消失。但是左端问题仍然存在，如果我们掉进去梯度就会消失。所以有很多改进的relu。
Relu是神经网络中的激活函数。
在神经网络从输入到输出的正向传播中，激活函数是不可避免的。因此，在反向传播调整过程中，还需要根据链导数规则调整relu的偏差或梯度。
在神经网络中，每两层神经元的权重根据梯度进行调整。梯度调整的幅度和方向取决于激活函数后前一层神经元的输入值a和激活函数前后一层神经元输出值的偏差。relu的逆导数是神经元输出的偏差（在进入激活函数之前）。relu的偏差请参考我的文章《BP反向传播算法的思考与直观理解——卷积小白的随机世界》
例如，当L1层的偏差为m时，则relu后的L层的偏差为m*Wij。如果此时，relu之前的l层的输出为Zi。如果Zi小于0。那么，L层神经元通过relu前的偏差为0；如果Zi大于0。那么，relu之前的L层的偏差是m*Wij。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/148690.html