Современная математика глубокого обучения

Масштабированный признак прореживания

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.

Признаки · Преобразуют входы в признаки для правила.

Из длины клюва и крыла вычитаем средние по обучающим примерам, затем делим на их стандартные отклонения. Получается вектор из двух чисел.

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: 6.5 Удаление связей

Умножьте скрытый признак ReLU на сумму абсолютных значений выходных весов.

Масштабирование приводит признаки к форме, используемой в рассуждении о разреженном приближении.

Пример формулы источника

f_{i}\coloneqq\|w^{(2)}\|_{1}{\varrho_{R}}(\langle w_{i}^{(1)},\cdot\rangle+b^{(1)}_{i}),\quad i\in[n],

Точный результат · Вычисление признака не устанавливает оценку ошибки прореживания.

Обозначения

$fᵢ$: Масштабированный скрытый признак i.
$w⁽²⁾$: Вектор выходных весов.
$wᵢ⁽¹⁾,bᵢ⁽¹⁾$: Входящие вес и смещение элемента i.
$ϱR$: Активация ReLU.

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.

Вход

Поток данных в этом примере

Вы выбираете

input.x = 1

Начальные значения в коде

outputWeights = [1, -2]

Вычисляется здесь

Выражение результата: { norm, hidden, feature: norm * hidden }

norm = outputWeights.reduce((sum, w) => sum + Math.abs(w), 0) Использует: outputWeights
hidden = Math.max(0, 0.5 * input.x) Использует: input.x

Возвращает

Пример результата

norm: 3
hidden: 0,5
feature: 1,5

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Пример имеет одномерный вход, скрытый вес 1/2 и нулевое смещение.

Источник: Выражение из статьи