คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

คุณลักษณะซ้ำและการแทรกค่า

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

หากหน่วยซ่อนสองหน่วยมีคุณลักษณะเดียวกัน การย้ายน้ำหนักจากหน่วยหนึ่งไปอีกหน่วยโดยคงผลรวมไว้จะรักษาผลลัพธ์เดิม

ปริมาณเหล่านี้เชื่อมพารามิเตอร์ของโครงข่ายกับความสูญเสียและการหาค่าเหมาะที่สุด

ตัวอย่างสูตรต้นฉบับ

\Phi(\cdot,(\theta_{*}^{(1)},\theta^{(2)}))=\Phi(\cdot,(\theta_{*}^{(1)},\lambda\theta_{*}^{(2)}+(1-\lambda)\theta^{(2)})),\quad\lambda\in[0,1].

ภาพประกอบ · ข้อมูลเข้าสมมติจำนวนจำกัดแสดงนิพจน์นี้ ไม่ได้พิสูจน์เอกลักษณ์ ขอบเขต หรือข้ออ้างการมีอยู่ทั่วไป

สัญลักษณ์

$λ$: พารามิเตอร์การแทรกจำนวนจริงใน [0,1]
$θ⁽¹⁾$: พารามิเตอร์ขาเข้าคงที่ของหน่วยซ่อน
$θ⁽²⁾$: เวกเตอร์น้ำหนักผลลัพธ์จริง
$Φ$: ฟังก์ชันโครงข่าย

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ค่าการแทรก

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

input.lambda = 0.5

คำนวณที่นี่

นิพจน์ผลลัพธ์: { weights, output: weights[0] * 2 + weights[1] * 2 }

a = input.lambda ใช้: input.lambda
weights = [a, 1 - a] ใช้: a

ส่งกลับ

ผลลัพธ์ตัวอย่าง

weights: อาร์เรย์ (2 รายการ): [0.5, 0.5]
output: 2

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

สมการเท่ากันในที่นี้เพราะคุณลักษณะทั้งสองเท่ากับ 2 และน้ำหนักสองตัวรวมกันเป็น 1 เสมอ เส้นทางในต้นฉบับใช้หน่วยซ้ำและต้องมีสมมติฐานเรื่องความกว้างและการสร้างตามที่ระบุ

แหล่งอ้างอิง: นิพจน์ในต้นฉบับ