大家好，又见面了，我是你们的朋友全栈君。
Motivation
深度学习： 1，时间长：由于涉及到大量的超参数和复杂的结构，大多数神经网络的训练过程非常耗时。
2，重新训练：如果要更改神经网络的结构，或者增加样本，深度学习系统将遇到一个完整的重新训练过程。
宽度学习： 1，消除了训练过程长的缺点，并且提供了很好的泛化能力。
2，如果网络需要扩展，宽度学习网络可以快速重构，无需重新训练过程。
Preliminaries
1，RVFLNN
![宽度学习（一）：宽度学习体系:有效和高效的无需深度架构的增量学习系统[通俗易懂]](https://img-blog.csdnimg.cn/20210304165700460.png)
![宽度学习（一）：宽度学习体系:有效和高效的无需深度架构的增量学习系统[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450.jpg)
- 给定输入X，它乘上一组随机的权重，加上随机的偏差之后传入到增强层得到H，并且这组权重在以后不会变了。
- 输入X和增强层的计算结果H合并成一个矩阵，称为A，A=[X|H]，把A作为输入，乘上权重，加上偏差之后传到输出层。
- AW = Y，W=A-1Y，A不是一个方阵，所以是没有逆矩阵的，但是，没有逆矩阵，我们可以求A的伪逆。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/143514.html原文链接：https://javaforall.net
