Python 在Chainer中定义许多可学习的参数
我想在模型中定义一些可学习的参数,这些参数在前馈中与特征映射相乘,并在反向传播时更新。Python 在Chainer中定义许多可学习的参数,python,deep-learning,implementation,backpropagation,chainer,Python,Deep Learning,Implementation,Backpropagation,Chainer,我想在模型中定义一些可学习的参数,这些参数在前馈中与特征映射相乘,并在反向传播时更新。 如何在chainer框架中实现这一点?我读了一点,找到了答案。 如果您需要在chainer中定义一些需要学习的参数,那么应该使用chainer.links.Scale()函数。 例如chainer.links.Scale(轴=1,W_形状=(8,8)) W是网络中可学习的相同参数。如果特征映射为x,则W乘以x,并在反向传播中更新
如何在chainer框架中实现这一点?我读了一点,找到了答案。 如果您需要在chainer中定义一些需要学习的参数,那么应该使用chainer.links.Scale()函数。 例如chainer.links.Scale(轴=1,W_形状=(8,8)) W是网络中可学习的相同参数。如果特征映射为x,则W乘以x,并在反向传播中更新