H2O 平台上不同激活函数下神经网络架构的性能对比分析

深度学习（深度结构化学习、层次学习或深度机器学习）是机器学习的一个分支，基于一组算法，试图通过使用具有复杂结构的多个处理层或由其组成的多个非线性变换来对数据中的高级抽象进行建模。在本文中，我们展示了在 H2O 平台上针对各种激活函数、停止指标以及机器学习算法的其他参数测试神经网络架构的结果。以手写数字 MNIST 数据库在单线程模式下的用例表明，盲目选择这些参数会在精度没有显著提高的情况下大幅增加（2-3个数量级）运行时间。这一结果对现有和新的机器学习方法的优化具有关键影响，特别是对于图像识别问题。