คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

ทำให้ทั้งชุดเป็นบรรทัดฐาน

โครงการเรียนรู้เพนกวิน

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

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

การปรับมาตรฐานชุดข้อมูล · อธิบายการปรับมาตรฐานชุดข้อมูลและอนุพันธ์

โครงการใช้กฎเชิงเส้นกับสองคุณลักษณะ น้ำหนักที่ฝึกให้คะแนนหรือมวลที่ปรับสเกล

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: ทำนายผล / การปรับมาตรฐานชุดข้อมูล

ข้อมูลเข้าหรือสมมติฐาน: ค่าชุดข้อมูลและพารามิเตอร์การปรับมาตรฐาน
ผลลัพธ์หรือข้อสรุป: ค่าที่ปรับมาตรฐานหรือความสัมพันธ์ของอนุพันธ์

บริบทของกลุ่ม ตัวอย่างโค้ดด้านล่างมีข้อมูลเข้าและผลลัพธ์ของตัวเอง

กลุ่มที่เกี่ยวข้อง

สนับสนุน: กฎทำนายและชั้นของเครือข่าย

ดูแผนที่แนวคิด

ใช้ในส่วนต้นฉบับเหล่านี้: 6.4 ปรับตัวเลขให้เทียบกันได้

ทำให้สมาชิกแต่ละตัวในชุดเป็นบรรทัดฐานด้วยค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานเดียวกัน แล้วปรับมาตราส่วนและเลื่อนค่า

การส่งทั้งชุดช่วยศึกษาว่าสมาชิกในชุดส่งผลต่อกันอย่างไร

ตัวอย่างสูตรต้นฉบับ

\mathcal{B}^{(\beta,\gamma)}({b})=(\mathrm{BN}_{{b}}^{(\beta,\gamma)}(y^{(1)}),\dots,\mathrm{BN}_{{b}}^{(\beta,\gamma)}(y^{(m)})),\quad{b}=(y^{(i)})_{i=1}^{m}\in{\mathbb{R}}^{m},

แม่นตรง · ชุดคงที่นี้ไม่ได้อธิบายพฤติกรรมการฝึกหรือการอนุมานที่ใช้ค่าเฉลี่ยสะสม

สัญลักษณ์

$b$: ชุดค่าจริง m ค่า
$β,γ$: ค่าเลื่อนและมาตราส่วนจำนวนจริง
$B$: การส่งจากทั้งชุดไปยังชุดที่ทำให้เป็นบรรทัดฐาน
$m$: ขนาดชุดบวก

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

มาตราส่วนค่าเลื่อน

ลำดับข้อมูลในตัวอย่างนี้

คุณเลือก

input.gamma = 1
input.beta = 0

ค่าเริ่มต้นในโค้ด

batch = [1, 2, 3]
mean = 2

คำนวณที่นี่

นิพจน์ผลลัพธ์: { batch, output: batch.map((v) => (input.gamma * (v - mean)) / sigma + input.beta), }

sigma = Math.sqrt(2 / 3)

ส่งกลับ

ผลลัพธ์ตัวอย่าง

batch: อาร์เรย์ (3 รายการ): [1, 2, 3]
output: อาร์เรย์ (3 รายการ): [≈-1.225, 0, ≈1.225]

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ความแปรปรวนของชุดต้องเป็นบวกสำหรับสูตรที่แสดง

แหล่งอ้างอิง: นิพจน์ในต้นฉบับ