Современная математика глубокого обучения

Масштабы инициализации траекторий

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.

Инициализация · Описывает начальные параметры и их распределения.

Текущая целевая функция даёт градиент для обновления параметров.

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: 3.3 Другие способы измерить выразительность

Источник сравнивает две нормальные инициализации. Он задаёт базовые дисперсии весов 1/n и смещений 1 и масштабированные дисперсии σ²/n и σ².

Масштабы инициализации влияют на распределение слоёв сети.

Пример формулы источника

\Theta_{1}

Иллюстрация · В статье заявлено масштабирование σ^ℓ, но напечатанные ненулевые дисперсии смещений обычно не подразумевают такого масштабирования после первого слоя. Пример вычисляет указанные значения дисперсии, а не это утверждение.

Обозначения

$Θ₁$: Базовая случайная инициализация.
$Θσ$: Масштабированная случайная инициализация.
$n$: Ширина скрытого слоя.
$σ$: Положительный масштаб.
$ℓ$: Индекс слоя.

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

n = 20
sigma = 2
layer = 2

Вычисляется здесь

Выражение результата: { n, sigma, baselineWeightVariance: 1 / n, baselineBiasVariance: 1, scaledWeightVariance: (sigma * sigma) / n, scaledBiasVariance: sigma * sigma, claimedFactor: sigma ** layer, }

Возвращает

Пример результата

n: 20
sigma: 2
baselineWeightVariance: 0,05
baselineBiasVariance: 1
scaledWeightVariance: 0,2
scaledBiasVariance: 4
claimedFactor: 4

JavaScript

Прочитайте числа из input и верните результат. Основы JavaScript.

Результат

Включите JavaScript, чтобы запустить пример.

Техническая формулировка

Числовые значения вымышлены. В статье заявлено масштабирование σ^ℓ, но напечатанные ненулевые дисперсии смещений обычно не подразумевают такого масштабирования после первого слоя. Пример вычисляет указанные значения дисперсии, а не это утверждение.

Источник: Обозначение в тексте