การฝึกเริ่มจากค่าเริ่มต้น
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
การเรียนรู้และการปรับพารามิเตอร์ · เลือกกฎหรือปรับพารามิเตอร์ด้วยกฎการเรียนรู้
ฟังก์ชันเป้าหมายให้เกรเดียนต์เพื่อปรับพารามิเตอร์
พิจารณาแนวคิดนี้ร่วมกับโครงการ สมมติฐานของต้นฉบับอาจต่างกัน ข้อมูลชุดนี้ไม่พิสูจน์ทฤษฎีบท
ข้อมูลเข้า: 12 × 2; ประเมินชุดทดสอบ: 102 · #58 · 40.6 มม., 193 มม.. คำตอบที่ทราบ: อาเดลี; ค่าทำนาย: อาเดลี · [≈0.7383, ≈0.2444, ≈0.01737].
ใช้ในส่วนต้นฉบับเหล่านี้: 5.2 เมื่อพารามิเตอร์เปลี่ยนเพียงเล็กน้อย
ค่าพารามิเตอร์ในขั้นเริ่มต้นของการฝึกเท่ากับเวกเตอร์พารามิเตอร์เริ่มต้นที่เลือก
ตัวอย่างอธิบายสัญกรณ์ที่สอดคล้องในต้นฉบับ
ตัวอย่างสูตรต้นฉบับ
ภาพประกอบ · การระบุค่าเริ่มต้นและขนาดชุดย่อยไม่ได้พิสูจน์การลู่เข้า
สัญลักษณ์
- เวกเตอร์พารามิเตอร์เริ่มต้น
- เวกเตอร์พารามิเตอร์ที่ขั้นศูนย์
- จำนวนตัวอย่างฝึก
- ขนาดชุดย่อย
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
คุณเลือก
input.a= 1
ค่าเริ่มต้นในโค้ด
batchSize=2sampleCount=2
คำนวณที่นี่
นิพจน์ผลลัพธ์: {
initialization,
iterationZero,
batchSize,
sampleCount,
fullBatch: batchSize === sampleCount,
}
initialization=[input.a, 2]ใช้:input.aiterationZero=[...initialization]ใช้:initialization
ส่งกลับ
initialization- อาร์เรย์ (2 รายการ): [1, 2]
iterationZero- อาร์เรย์ (2 รายการ): [1, 2]
batchSize- 2
sampleCount- 2
fullBatch- จริง
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ตัวอย่างคัดลอกค่าเริ่มต้นเป็นค่าของขั้นแรก และใช้ตัวอย่างทั้ง m=2 เป็นชุด ต้นฉบับกล่าวถึงการไล่ระดับแบบเต็มชุดโดย m′=m
แหล่งอ้างอิง: นิพจน์ในต้นฉบับ