Python 在Chainer中定义许多可学习的参数_Python_Deep Learning_Implementation_Backpropagation_Chainer

Python 在Chainer中定义许多可学习的参数

python deep-learning

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

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