Современная математика глубокого обучения

Нормализация всего пакета

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

Нормируйте каждый элемент пакета с одним средним и стандартным отклонением, затем масштабируйте и сдвиньте.

Отображение пакета позволяет изучать взаимное влияние его элементов.

Пример формулы источника

\mathcal{B}^{(\beta,\gamma)}({b})=(\mathrm{BN}_{{b}}^{(\beta,\gamma)}(y^{(1)}),\dots,\mathrm{BN}_{{b}}^{(\beta,\gamma)}(y^{(m)})),\quad{b}=(y^{(i)})_{i=1}^{m}\in{\mathbb{R}}^{m},

Точный результат · Этот фиксированный пакет не объясняет поведение при обучении или выводе со скользящими средними.

Обозначения

$b$: Пакет из m действительных значений.
$β,γ$: Действительные сдвиг и масштаб.
$B$: Отображение всего пакета в нормированный пакет.
$m$: Положительный размер пакета.

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.

МасштабСдвиг

Поток данных в этом примере

Вы выбираете

input.gamma = 1
input.beta = 0

Начальные значения в коде

batch = [1, 2, 3]
mean = 2

Вычисляется здесь

Выражение результата: { batch, output: batch.map((v) => (input.gamma * (v - mean)) / sigma + input.beta), }

sigma = Math.sqrt(2 / 3)

Возвращает

Пример результата

batch: массив (3 элементов): [1, 2, 3]
output: массив (3 элементов): [≈-1,225, 0, ≈1,225]

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Для показанной формулы дисперсия пакета должна быть положительной.

Источник: Выражение из статьи