三天三夜，损失函数纹丝不动的痛苦折磨过。」
台下的研究员们不由自主地点头。
这苦他们确实都吃过。
「我们的解决方案其实非常简单，直接弃用了复杂的双曲正切和逻辑函数，采用f（）=ma（0，）。」
「我们称之为ReIu，也就是修正线性单元。」
「在相同的网络结构下，使用ReIu的QInet，其收敛速度比使用Tanh的网络快了6倍！
35
然而，外行看热闹，内行看门道，台下的学者研究员们，都听懂了他的意思。
f（）=a（0，），这个在数学上几乎可以说是初中水平的单侧仰制函数，竟然能带来6
倍的收敛速度提升？这意味着什麽？
这意味着在大规模工程实践中，计算效率将获得质的飞跃！
「那过拟合呢？」一位M1T的教授追问，「120万张图，8层网络，6000万个参数，参数比的样本还多——我是说，这麽大的模型，你怎麽保证它不是把训练集背下来了？」
这个问题问到了点子上，全场再次安静。
「确实会有这种的担忧，所以为了防止它在测试集上出现这种情况，我们引入了一种全新的正则化技术。」
「也就是Dropout随机失活。」
「它的原理是，在每一次前向传播中，以50%的概率随机将部分神经元的输出置为零，这些被选中的神经元在这一轮训练中，既不参与前向传播，也不参与反向传播。」
「这相当於每次训练，都在训练一个不同的网络，最後做预测时，等於把无数个网络的意见集合起来，一个神经元摸了鱼，其他神经元就不敢太依赖它，逼着整个网络学到更健壮的特徵。」
「最後一个问题。」
MIT的领队现在已经从质疑变成了纯粹的好奇：「如此庞大的训练，常规的CPU集群跑下来，没有几个月根本不可能，你们是用了什麽超算？哪个国家实验室赞助的？」
所有人都以为，漆昊背後一定站着某个庞大的机构。
漆昊直接回答：「其实没有用超算。」
「当时我只是想测试我的想法是否可行，所以就用了两块GTX580。」
「两块GTX580？」MIT教授不敢相信自己听到的信息，「打游戏的那种？」
台下顿时响起了一片倒吸凉气的声音。
本章未完，请点击下一页继续阅读！