ชั้นแอฟไฟน์
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
กฎทำนายและชั้นของเครือข่าย · อธิบายหรือใช้กฎทำนาย ชั้น และพารามิเตอร์
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].
ใช้ในส่วนต้นฉบับเหล่านี้: 1.2 เรียนรู้จากตัวอย่าง
ชั้นแอฟไฟน์ส่ง x ไปเป็น W x + b โดยคูณด้วยเมทริกซ์แล้วบวกเวกเตอร์ไบแอส
ชั้นแอฟไฟน์แปลงข้อมูลป้อนเข้าแบบเวกเตอร์ให้เป็นผลลัพธ์แบบเวกเตอร์
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · นี่คือชั้นแอฟไฟน์หนึ่งชั้น ไม่รวมฟังก์ชันกระตุ้นไม่เชิงเส้นที่ตามมา
สัญลักษณ์
- เมทริกซ์น้ำหนักของชั้น
- เวกเตอร์ไบแอสของชั้น
- เวกเตอร์ป้อนเข้า
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
W=[ [1, 2], [3, 4], ]x=[1, 2]b=[1, -1]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { W, x, b, output }
output=W.map((row, i) => row.reduce((s, w, j) => s + w * x[j], 0) + b[i])ใช้:W,x,b
ส่งกลับ
W- อาร์เรย์ (2 รายการ): [อาร์เรย์ (2 รายการ): [1, 2], อาร์เรย์ (2 รายการ): [3, 4]]
x- อาร์เรย์ (2 รายการ): [1, 2]
b- อาร์เรย์ (2 รายการ): [1, -1]
output- อาร์เรย์ (2 รายการ): [6, 10]
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น นี่คือชั้นแอฟไฟน์หนึ่งชั้น ไม่รวมฟังก์ชันกระตุ้นไม่เชิงเส้นที่ตามมา
แหล่งอ้างอิง: สัญกรณ์ในข้อความ