Нейронное касательное ядро при заданных параметрах
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.
Ядра и линеаризация · Связывают градиенты параметров или признаки с матрицами ядер.
Проект содержит конечные наблюдения и обученные параметры. Проверочная выборка не устанавливает границы для генеральной совокупности и не доказывает теорему.
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: 2.1 Взгляд через сходство
Нейронное касательное ядро — скалярное произведение градиентов по параметрам на двух входах. Нижний индекс указывает используемый вектор параметров.
Оно сравнивает изменения выходов сети при изменении параметров.
Пример формулы источника
Иллюстрация · Здесь используется Φ(x,θ)=θ₁x+θ₂, чьё ядро случайно не зависит от θ; в общих сетях ядро может изменяться при изменении параметров.
Обозначения
- Нейронное касательное ядро при θ.
- Начальные параметры.
- Параметры в момент t.
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.
Поток данных в этом примере
Код изменён. Сбросьте его, чтобы вернуть схему примера.
Начальные значения в коде
x1=2x2=3
Вычисляется здесь
Выражение результата: {
gradient1,
gradient2,
kernel: gradient1.reduce((s, v, i) => s + v * gradient2[i], 0),
}
gradient1=[x1, 1]Использует:x1gradient2=[x2, 1]Использует:x2
Возвращает
gradient1- массив (2 элементов): [2, 1]
gradient2- массив (2 элементов): [3, 1]
kernel- 7
Прочитайте числа из input и верните результат. Основы JavaScript.
Результат
Техническая формулировка
Числовые значения вымышлены. Здесь используется Φ(x,θ)=θ₁x+θ₂, чьё ядро случайно не зависит от θ; в общих сетях ядро может изменяться при изменении параметров.
Источник: Обозначение в тексте