Современная математика глубокого обучения

От входного пакета к нормализации

Проект с пингвинами

Проект использует 342 записи Palmer с нужными измерениями: 240 для обучения, 102 для проверки. Выбранные примеры для обучения определяют масштабирование и параметры модели. Исходный CSV

Этот проект обучает веса с помощью softmax, в отличие от лаборатории на главной странице, где используются ближайшие средние по видам. Те же измерения пингвинов, но разные методы классификации. Предсказания могут различаться.

Нормализация пакета · Описывает нормализацию пакета и её производные.

Проект использует линейное правило с двумя признаками. Обученные веса дают оценки или нормированную массу.

Рассмотрите понятие рядом с проектом: предположения источника могут отличаться. Эти наблюдения не доказывают теорему.

Вход: 12 × 2; Проверка на новых данных: 102 · #58 · 40.6 мм, 193 мм. Известный ответ: Адели; Прогноз: Адели · [≈0,7383; ≈0,2444; ≈0,01737].

Используется в разделах источника: 6.4 Общая шкала для сравнения чисел

Пакет входов сначала преобразуется предыдущим слоем, а затем нормируется по полученным значениям.

Этот пример делает обозначение или условие источника конкретным.

Пример формулы источника

{s}

Иллюстрация · Этот фиксированный пакет не показывает поведение обучения или скользящих статистик.

Обозначения

$s$: Пакет входов.
$b$: Выходы предыдущего слоя на этом пакете.
$μb,σb$: Среднее и стандартное отклонение b.

Пример формулы источника

Этот пример использует свои входные данные и предположения. Его изменение не меняет проект.

Измените значение или код и запустите пример. Это конечная иллюстрация, а не доказательство теоремы.

Смещение предыдущего слоя

Поток данных в этом примере

Вы выбираете

input.bias = 2

Начальные значения в коде

s = [-1, 0, 1]

Вычисляется здесь

Выражение результата: { inputBatch: s, outputBatch: b, mean, variance }

b = s.map((x) => x + input.bias) Использует: s, input.bias
mean = b.reduce((a, v) => a + v, 0) / b.length Использует: b
variance = b.reduce((a, v) => a + (v - mean) ** 2, 0) / b.length Использует: b, mean

Возвращает

Пример результата

inputBatch: массив (3 элементов): [-1, 0, 1]
outputBatch: массив (3 элементов): [1, 2, 3]
mean: 2
variance: ≈0,6667

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Вымышленный предыдущий слой отображает каждый скалярный вход x в x+bias. Рисунок источника использует s для входного пакета и вычисляет статистики нормализации по выходам.

Источник: Выражение из статьи