本港台开奖现场直播 j2开奖直播报码现场
当前位置: 新闻频道 > IT新闻 >

报码:【j2开奖】深度神经网络中的数学,对你来说会不会太难?(4)

时间:2017-07-18 20:06来源:668论坛 作者:118KJ 点击:
(注意,这里使用了 μ 的有限性)。将维度减少到 1 后,我们使用另一个非常有用的技巧(也使用 μ 的有限性)——卷积技巧。通过将 μ 与小高斯核进行

(注意,这里使用了 μ 的有限性)。将维度减少到 1 后,我们使用另一个非常有用的技巧(也使用 μ 的有限性)——卷积技巧。通过将 μ 与小高斯核进行卷积,我们得到一个具有密度的测度,即 Lebesgue 测度。我们现在进行剩下的证明。通过卷积技巧,我们有

并希望证明密度 h = 0。改变变量,我们重写条件(3)为

为了证明 h = 0,我们使用以下抽象傅里叶分析的工具。令 I 是所有 h(wt+b) 的扩展线性空间的闭集合。由于 I 函数的不变性,所以在卷积下是不变的;在抽象傅立叶分析中,I 是对于卷积的一个理想状态。令 Z(I) 表示所有函数在 I 上 vanish 的傅里叶变换 ω 的全部集合;那么 Z(I) 为 R 或 {0} 集,因为如果 g(t) 处于理想状态,则对于 w≠0,g(tw) 也是处于理想状态。如果 Z(I) = R,则在理想状态所有函数为常数 0,即证。否则,Z(I) = {0},则通过傅里叶分析,I 为所有 f^ = 0 的函数集合;即所有非常数函数。但是如果 σ 与所有非常数函数正交,σ = 0。我们得出结论:Z(I) = R,即 h = 0,完成证明。

(责任编辑:本港台直播)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
栏目列表
推荐内容