1樓：ysy
你好，我想問下，我有3列資料，其中兩列是輸入x，x1，一列是輸出y，輸入與輸出之間的關係是y = a* tf.exp(-b * x)+x1+c ,其中a,b,c是未知的，我通過curve_fit函式可以求出a,b,c，但是任務要求用模型去求，我不懂要用什麼深度學習模型可以求解這個，剛剛接觸了深度學習，不是很懂要從哪方面下手
2樓：
我就拿Relu啟用函式的多層感知機（全連線網路）舉例子吧。
對於1到1的對映，在數學上很容易證明這個多層感知機等價於乙個分段線性函式。
這樣，在你的訓練集的x範圍內，結果足夠準，但是超出下標範圍很多的情況下（超出了分段線性的最後一段後），就變成線性函式了，素數擬合別想啦。
總的問題是，神經網路在內插上效果應該還行，但是在外推上效果不太好。外推的形式和啟用函式有關。比如Relu就總是外推為線性函式，Sigmoid、tanh等總是外推為常數。
（你想想當x是正負無窮大的時候，你的啟用函式的漸進形式如何就能做大致判斷了）
3樓：
我的理解是，不可以。如果通項公式都沒有，根本學不到什麼吧。
首先從樣本來說，把自然數都輸給模型，直接輸的話應該會樣本不平衡。但是如果取樣輸的話，又會缺失資料集資訊。
另外，神經網路並不是什麼都可以學的，很多現在表現不錯的模型，基本上都是rule-based或者過程可解釋，只是神經網路的表現更好。但是素數這個東西本身不具備這樣的特點。
神經網路是不是可以擬合任何問題？
王琰 不行的。足夠深的神經網路可以擬合的是任意 函式 但不是所有有輸入輸出的問題都可以構成函式。形如y f x 的函式最基本的屬性是乙個因變數 輸出y 可以對應多個自變數 輸入x 但乙個自變數只能對應乙個因變數。然而在實際世界中存在大量的問題是同一輸入x對應多種輸出y 比如知乎乙個問題有多個答案 這...
神經網路為什麼可以（理論上）擬合任何函式？
堅持30天 一層非線性單元 越多越精確 足以，不需要多層，再多的層也只是改變曲線的形狀，超出訓練集的部分就按L2正則表達。原因就是方程組合啊。例如乙個方程一條線，兩個方程組合在一起就是兩條線合在一起，通過權重和偏置就可以改變各自線的形狀，這就可以組合出任意形狀的曲線。如果是好幾條直線組合在一起還是直...
有什麼文章總結了神經網路防止過擬合的tricks之類嗎？
天堂之拳 方法是人用的，切忌死記硬背。比較老一點的 neural networks tricks of the trade Practical recommendations for gradient based training of deep architectures A practical ...