ชั้นคอนโวลูชันในรูปเมทริกซ์
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
คอนโวลูชัน · อธิบายตัวกรองร่วมและการลดตัวอย่าง
แบบจำลองเพนกวินเชิงเส้นนี้ไม่มีโครงสร้างคอนโวลูชัน รีเคอร์เรนต์ หรือเรซิดวล
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: 6.1 พิจารณาเฉพาะบริเวณใกล้เคียง
ชั้นคอนโวลูชันและลดความละเอียดที่กำหนดเป็นการส่งเชิงเส้น จึงเขียนเป็นการคูณเมทริกซ์ได้
รูปเมทริกซ์แสดงว่าการใช้น้ำหนักร่วมกันจำกัดชั้นเชื่อมต่อเต็มอย่างไร
ตัวอย่างสูตรต้นฉบับ
ภาพประกอบ · ตัวอย่างคำนวณตัวกรองและการลดความละเอียดคงที่แบบพิเศษหนึ่งแบบ
สัญลักษณ์
- เมทริกซ์ที่แทนการส่งเชิงเส้นของคอนโวลูชันและการสุ่มตัวอย่างคงที่
- ตารางป้อนเข้าที่แปลงเป็นแถวเดียว
- จำนวนช่องผลลัพธ์
- ความยาวด้านหลังลดความละเอียด
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
คุณเลือก
input.first= 1
ค่าเริ่มต้นในโค้ด
W=[[1, 0, 0, 0]]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { x, W, output }
x=[input.first, 2, 3, 4]ใช้:input.firstoutput=W.map((row) => row.reduce((sum, v, i) => sum + v * x[i], 0))ใช้:W,x
ส่งกลับ
x- อาร์เรย์ (4 รายการ): [1, 2, 3, 4]
W- อาร์เรย์ (1 รายการ): [อาร์เรย์ (4 รายการ): [1, 0, 0, 0]]
output- อาร์เรย์ (1 รายการ): [1]
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ข้อมูลป้อนเข้าเป็นตาราง 2 คูณ 2 โดย d = 1 และมีหนึ่งช่อง ตัวกรองเดลตาไม่เปลี่ยนตารางก่อนเลือกตำแหน่งแรก ดังนั้น W มีรูปร่าง 1 คูณ 4
แหล่งอ้างอิง: นิพจน์ในต้นฉบับ