คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

ปรับให้ตรงกับทุกจุดฝึก

โครงการเรียนรู้เพนกวิน

โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

ความเสี่ยงและการประเมิน · แยกความสูญเสียบนตัวอย่างออกจากความสูญเสียคาดหมาย

ประเมินกฎที่ฝึกแล้วด้วยข้อมูลทดสอบ 102 แถวที่ไม่ใช้ฝึก

พิจารณาแนวคิดนี้ร่วมกับโครงการ สมมติฐานของต้นฉบับอาจต่างกัน ข้อมูลชุดนี้ไม่พิสูจน์ทฤษฎีบท

ข้อมูลเข้า: 12 × 2; ประเมินชุดทดสอบ: 102 · #58 · 40.6 มม., 193 มม.. คำตอบที่ทราบ: อาเดลี; ค่าทำนาย: อาเดลี · [≈0.7383, ≈0.2444, ≈0.01737].

บทบาท: ตรวจสอบตัวอย่างใหม่ / ความเสี่ยงและการประเมิน

ข้อมูลเข้าหรือสมมติฐาน: ผลทำนายหรือกฎ และตัวอย่างประเมินหรือความน่าจะเป็น
ผลลัพธ์หรือข้อสรุป: ความเสี่ยง ความสูญเสียบนตัวอย่าง หรือระยะขอบการจำแนก

บริบทของกลุ่ม ตัวอย่างโค้ดด้านล่างมีข้อมูลเข้าและผลลัพธ์ของตัวเอง

มาจาก

ดูแผนที่แนวคิด

ใช้ในส่วนต้นฉบับเหล่านี้: 1.2.2 โครงข่ายแสดงคำตอบที่ต้องการได้หรือไม่

เครือข่ายอินเตอร์โพเลตตัวอย่างเมื่อค่าทำนายเท่ากับทุกเป้าหมาย

ตัวอย่างนี้ทำให้คำนวณข้อความในต้นฉบับบนแบบจำลองจำกัดได้

ตัวอย่างสูตรต้นฉบับ

\Phi_{{a}}(x^{(i)},(\theta^{(1)},\theta^{(2)}))=y^{(i)},\quad i\in[m].

ภาพประกอบ · การปรับให้ตรงบนตัวอย่างจำกัดนี้ไม่ใช่การพิสูจน์การมีอยู่ของการอินเตอร์โพเลตทั่วไปในต้นฉบับ

สัญลักษณ์

$Φₐ$: เครือข่ายสถาปัตยกรรม a
$θ⁽¹⁾,θ⁽²⁾$: พารามิเตอร์ชั้นแรกและชั้นที่สอง
$x⁽ⁱ⁾,y⁽ⁱ⁾$: ข้อมูลเข้าและเป้าหมายฝึก
$m$: จำนวนตัวอย่าง

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

น้ำหนักผลลัพธ์

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

input.weight = 1

ค่าเริ่มต้นในโค้ด

xs = [1, 2]
ys = [1, 2]

คำนวณที่นี่

นิพจน์ผลลัพธ์: { predictions, targets: ys, allMatch: predictions.every((v, i) => v === ys[i]) }

predictions = xs.map((x) => input.weight * Math.max(0, x)) ใช้: xs, input.weight

ส่งกลับ

ผลลัพธ์ตัวอย่าง

predictions: อาร์เรย์ (2 รายการ): [1, 2]
targets: อาร์เรย์ (2 รายการ): [1, 2]
allMatch: จริง

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

หน่วย ReLU หนึ่งหน่วยที่มีน้ำหนักชั้นแรก 1 และไบแอส 0 ปรับตรงกับข้อมูลเข้าบวกสมมติสองค่าเมื่อน้ำหนักผลลัพธ์เป็น 1

แหล่งอ้างอิง: นิพจน์จากแหล่งต้นฉบับ