พจนานุกรมคอนโวลูชัน
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
เฟรมและสัญญาณแบบเบาบาง · เข้ารหัสหรือสร้างสัญญาณกลับด้วยเฟรมและพจนานุกรม
โครงการปรับสเกลความยาวจะงอยปากและครีบด้วยค่าเฉลี่ยและสเกลของชุดฝึก เวกเตอร์มีสองค่า
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: 7.2 ใช้ชิ้นส่วนน้อยชิ้น
ช่องผลลัพธ์แต่ละช่องเป็นผลรวมของคอนโวลูชันระหว่างตัวกรองพจนานุกรมกับช่องสัมประสิทธิ์
การคำนวณเหล่านี้จัดระเบียบคุณลักษณะและสัมประสิทธิ์เบาบาง
ตัวอย่างสูตรต้นฉบับ
ภาพประกอบ · ข้อมูลจำกัดที่สร้างขึ้นแสดงนิพจน์นี้ ไม่ได้พิสูจน์เอกลักษณ์ ขอบเขต หรือการมีอยู่ทั่วไป
สัญลักษณ์
- สัญญาณผลลัพธ์ในช่อง i
- ตัวกรองคอนโวลูชันจากช่องสัมประสิทธิ์ j ไปช่องผลลัพธ์ i
- สัญญาณสัมประสิทธิ์ในช่อง j
- จำนวนช่องสัมประสิทธิ์และช่องผลลัพธ์
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
คุณเลือก
input.coefficient= 3
ค่าเริ่มต้นในโค้ด
filters=[ [1, 0], [0, 1], ]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { result }
phi=[ [1, 2], [input.coefficient, 0], ]ใช้:input.coefficientresult=[0, 1].map((i) => filters.reduce( (sum, f, j) => sum + f.reduce((a, v, k) => a + v * phi[j][(i - k + 2) % 2], 0), 0, ), )ใช้:filters,phi
ส่งกลับ
result- อาร์เรย์ (2 รายการ): [1, 5]
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ตัวเลขในตัวอย่างนี้สร้างขึ้น
แหล่งอ้างอิง: นิพจน์ในต้นฉบับ