คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

ความเสี่ยงตามเส้นทางการแทรกน้ำหนัก

โครงการเรียนรู้เพนกวิน

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

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

ทฤษฎีการหาค่าเหมาะสม · ศึกษาการลู่เข้าและรูปทรงของความสูญเสียภายใต้สมมติฐาน

โครงการมีข้อมูลและพารามิเตอร์จำนวนจำกัด ชุดทดสอบไม่ยืนยันขอบเขตประชากรหรือพิสูจน์ทฤษฎีบท

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: เข้าใจขอบเขต / ทฤษฎีการหาค่าเหมาะสม

ข้อมูลเข้าหรือสมมติฐาน: ฟังก์ชันเป้าหมาย กฎการปรับ และสมมติฐาน
ผลลัพธ์หรือข้อสรุป: ข้อความเกี่ยวกับการลู่เข้าหรือรูปทรง

บริบทของกลุ่ม ตัวอย่างโค้ดด้านล่างมีข้อมูลเข้าและผลลัพธ์ของตัวเอง

กลุ่มที่เกี่ยวข้อง

อธิบาย: การเรียนรู้และการปรับพารามิเตอร์
อธิบาย: การกำหนดค่าเริ่มต้น

ดูแผนที่แนวคิด

ใช้ในส่วนต้นฉบับเหล่านี้: 5.1 รูปร่างของค่าความผิดพลาด

เปรียบเทียบความสูญเสียที่จุดปลายทั้งสองและพารามิเตอร์ที่แทรกอยู่ระหว่างจุดเหล่านั้น

เส้นทางที่ควบคุมความสูญเสียช่วยวิเคราะห์ภูมิทัศน์ความสูญเสีย

ตัวอย่างสูตรต้นฉบับ

\max\{{r}(\theta),{r}(\theta_{\min})\}

ภาพประกอบ · ฟังก์ชันกำลังสองนูนอย่างง่ายนี้ไม่ได้พิสูจน์เส้นทางความสูญเสียต่ำสำหรับโครงข่ายทั่วไป

สัญลักษณ์

$r$: ความเสี่ยงเป็นฟังก์ชันของพารามิเตอร์โครงข่าย
$θ$: เวกเตอร์พารามิเตอร์จุดปลายหนึ่ง
$θmin$: ค่าต่ำสุดที่ใช้เป็นจุดปลายอีกด้านในต้นฉบับ

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ค่าการแทรก

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

input.t = 0.5

ค่าเริ่มต้นในโค้ด

first = 0
minimum = 1

คำนวณที่นี่

นิพจน์ผลลัพธ์: { weight, endpointRisks: [risk(first), risk(minimum)], pathRisk: risk(weight), endpointMaximum: Math.max(risk(first), risk(minimum)), }

t = input.t ใช้: input.t
weight = (1 - t) * first + t * minimum ใช้: t, first, minimum

ส่งกลับ

ผลลัพธ์ตัวอย่าง

weight: 0.5
endpointRisks: อาร์เรย์ (2 รายการ): [1, 0]
pathRisk: 0.25
endpointMaximum: 1

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ฟังก์ชันกำลังสองสเกลาร์สมมตินี้มีจุดปลาย θ = 0 ค่าต่ำสุด θmin = 1 และจุดแทรกกลาง θ = 0.5 ต้นฉบับสร้างเส้นทางเฉพาะด้วยคุณลักษณะซ่อนคงที่และค่าต่ำสุด ตัวอย่างแสดงค่าสูงสุดที่จุดปลาย

แหล่งอ้างอิง: นิพจน์ในต้นฉบับ