Python-ELM:Python中的极限学习机实现-源码
Python-ELM v0.3
--->存档2021年3月<---
这是基于Python[1] [2]的。
从摘要：
显然，前馈神经网络的学习速度通常远远慢于所需速度，并且在过去的几十年中一直是其应用的主要瓶颈。 背后的两个关键原因可能是：1）基于慢梯度的学习算法被广泛用于训练神经网络，以及2）通过使用这种学习算法来迭代地调整网络的所有参数。 与这些传统实现不同，本文针对单隐藏层前馈神经网络（SLFN）提出了一种称为极限学习机（ELM）的新学习算法，该算法随机选择输入权重并通过分析确定SLFN的输出权重。 从理论上讲，该算法倾向于以极快的学习速度提供最佳的泛化性能。 基于现实世界中基准函数逼近和分类问题（包括大型复杂应用程序）的实验结果表明，该新算法在某些情况下可以产生最佳的泛化性能，并且比传统的前馈神经网络流行的学习算法学习速度快得多。
这是一项正在进行的工作，因此事情可以/可能/
文件下载
资源详情
[{"title":"（ 7 个子文件 17KB ） Python-ELM:Python中的极限学习机实现-源码","children":[{"title":"Python-ELM-master","children":[{"title":"plot_elm_comparison.py <span style='color:#111;'> 6.89KB </span>","children":null,"spread":false},{"title":"LICENSE <span style='color:#111;'> 1.49KB </span>","children":null,"spread":false},{"title":"random_layer.py <span style='color:#111;'> 18.39KB </span>","children":null,"spread":false},{"title":"elm.py <span style='color:#111;'> 19.84KB </span>","children":null,"spread":false},{"title":"elm_notebook.py <span style='color:#111;'> 6.63KB </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 303B </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 5.29KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]
评论信息
其他资源
- 全系列丹佛斯gsd文件
- Introduction to Modeling and Analysis of Stochastic Systems
- Digsilent双馈风机变风速详解
- 患者监护系统-可行性分析、需求分析、总体设计
- 离散数学知识点整理（超级全面详细！）
- 基于opencv，实现螺丝防松动检测
- Aspose.Slides破解版 版本16.11.0.0 附带破解方法 亲测无水印
- C# OCR识别数字.rar
- vhdl多功能加法器
- Microsoft_SQL_Server_2016_Reporting_Services_（5th_Edition）
- bios.h C++头文件
- 心理与行为科学统计
- 方剂解析查询软件.rar
- Enemy-Shooter：一个练习对象池的简单游戏-源码
- 离散数学课程学习目的及方法.docx
- 206临沂盛通红郡项目二期地块土壤污染状况调查报告送审版0909.pdf
- 8.0APK下载自动安装
- foxmail.zip
- 模拟退火算法C实现解决了工作指派问题
- 车型识别系统,vc源码,opencv
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明