Произведение параметров и глубины
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.
Классы моделей и структура · Описывают семейства правил, их размер и структурные свойства.
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: 2.2 Размер весов и запас при классификации
P(N)L умножает число параметров сети на её глубину.
Этот множитель встречается в оценке сложности архитектуры.
Пример формулы источника
Иллюстрация · Здесь вычисляется одно произведение; оценка сложности не устанавливается.
Обозначения
- Число параметров сети.
- Глубина сети.
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
P=13L=2
Вычисляется здесь
Выражение результата: { parameterCount: P, L, product: P * L }
Возвращает
parameterCount- 13
L- 2
product- 26
Прочитайте числа из input и верните результат. Основы JavaScript.
Результат
Техническая формулировка
Числовые значения вымышлены. Здесь вычисляется одно произведение; оценка сложности не устанавливается.
Источник: Обозначение в тексте