数量级

--------------------- 作者：CrankZ 来源：CSDN 原文：https://blog.csdn.net/CrankZ/article/details/84726408 版权声明：本文为博主原创文章，转载请附上博文链接！ 前言 算法的效率 虽然计算机能快速的完成运算处理，但实际上，它也需要根据输入数据的大小和算法效率来消耗一定的处理器资源。要想编写出能高效运行的程序，我们就需要考虑到算法的效率。 算法的效率主要由以下两个复杂度来评估： 时间复杂度 ：评估执行程序所需的时间。可以估算出程序对处理器的使用程度。 空间复杂度 ：评估执行程序所需的存储空间。可以估算出程序对计算机内存的使用程度。 设计算法时，一般是要先考虑系统环境，然后权衡时间复杂度和空间复杂度，选取一个平衡点。不过，时间复杂度要比空间复杂度更容易产生问题，因此算法研究的主要也是时间复杂度，不特别说明的情况下，复杂度就是指时间复杂度。 本文只分析时间复杂度 什么是时间复杂度 了解时间复杂度之前，先了解时间频度 时间频度 一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多

用神经网络的小伙伴都知道，数据需要做归一化，但是为什么要做归一化，这个问题一直模梭两可，网上也没有较全的回答，小编花费了一段时间，作了一些研究，给大家仔细分析分析，为什么要做归一化： 1.数值问题。 无容置疑，归一化的确可以避免一些不必要的数值问题。输入变量的数量级未致于会引起数值问题吧，但其实要引起也并不是那么困难。因为tansig的非线性区间大约在[-1.7，1.7]。意味着要使神经元有效，tansig( w1*x1 + w2*x2 +b) 里的 w1*x1 +w2*x2 +b 数量级应该在 1 （1.7所在的数量级）左右。这时输入较大，就意味着权值必须较小，一个较大，一个较小，两者相乘，就引起数值问题了。 假如你的输入是421，你也许认为，这并不是一个太大的数，但因为有效权值大概会在1/421左右，例如0.00243，那么，在matlab里输入 421*0.00243 == 0.421*2.43 可以看到两者不相等了，说明已经引起数值问题了。 2.求解需要 我们建立了神经网络模型后，只要找到的解足够好，我们的网络就能够正确的预测了。在训练前我们将数据归一化，说明数据归是为了更方便的求解。 那么，究竟给求解带来了什么方便呢？ 这个问题不能一概而论，不同的算法，在归一化中得到的好处各不相同。假若有一个很牛B的求解算法，那完全用不着归一化，不过目前大部算法，都比较需要归一化

1. multi_output还是有效果的 单输出的准确率只能达到0.9387 但是多输出的准确率最大能达到0.9439，整体也都是0.94数量级的。 单输出的loss最小是0.09340，大多数还都是0.094数量级的 而多输出可以达到0.079 综上，如果最后解码器的部分是逐层恢复分辨率的，那么多输出的训练绝对是有必要的。 来源： CSDN 作者： ---222 链接： https://blog.csdn.net/weixin_36697338/article/details/103681427