Современная математика глубокого обучения

Пара для потерь при обучении с учителем

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.

Потери для примера · Определяют значение потери для наблюдаемого примера.

По прогнозам и известным ответам вычисляется значение функции потерь. Классификация использует кросс-энтропию и α/2 суммы квадратов весов без смещений; гребневая регрессия использует среднюю квадратичную ошибку нормированной массы и α суммы квадратов всех коэффициентов, включая смещение.

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

ℓ(·,y⁽ⁱ⁾) — потеря как функция предсказания при фиксированной цели y⁽ⁱ⁾.

Фиксированная цель позволяет изучать, как потеря меняется с предсказанием.

Пример формулы источника

\ell(\cdot,y^{(i)})

Иллюстрация · Квадратичная потеря — один вариант; источник допускает и другие потери.

Обозначения

$ℓ$: Потеря для предсказания и цели.
$y⁽ⁱ⁾$: Фиксированная цель.
$·$: Место для предсказания.

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

Начальные значения в коде

y = 1
predictions = [0, 1, 2]

Вычисляется здесь

Выражение результата: { y, predictions, losses: predictions.map((p) => (p - y) ** 2) }

Возвращает

Пример результата

y: 1
predictions: массив (3 элементов): [0, 1, 2]
losses: массив (3 элементов): [1, 0, 1]

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Числовые значения вымышлены, кроме указанных значений из источника. Квадратичная потеря — один вариант; источник допускает и другие потери.

Источник: Обозначение в тексте