ความกว้างที่ใช้ในภาพ
โครงการเรียนรู้เพนกวิน
โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ
โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้
ชั้นแบบจำลองและโครงสร้าง · อธิบายกลุ่มของกฎ ขนาด และสมบัติเชิงโครงสร้าง
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].
ใช้ในส่วนต้นฉบับเหล่านี้: 5.2 เมื่อพารามิเตอร์เปลี่ยนเพียงเล็กน้อย
ภาพใช้โครงข่ายเรลูที่มีความกว้างชั้น (1,n,n,1) และแสดงค่า n สี่ค่า
ค่าเหล่านี้ระบุสถาปัตยกรรมที่เปรียบเทียบในภาพต้นฉบับ
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างสร้างรูปร่างที่ระบุ ไม่ได้ทำซ้ำการทดลองในภาพ
สัญลักษณ์
- ความกว้างของแต่ละชั้นซ่อน
- ฟังก์ชันกระตุ้นเรลู
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
nValues=[20, 100, 500, 2500]
คำนวณที่นี่
นิพจน์ผลลัพธ์: { nValues, architectures: nValues.map((n) => [1, n, n, 1]) }
ส่งกลับ
nValues- อาร์เรย์ (4 รายการ): [20, 100, 500, 2500]
architectures- อาร์เรย์ (4 รายการ): [อาร์เรย์ (4 รายการ): [1, 20, 20, 1], อาร์เรย์ (4 รายการ): [1, 100, 100, 1], อาร์เรย์ (4 รายการ): [1, 500, 500, 1], อาร์เรย์ (4 รายการ): [1, 2500, 2500, 1]]
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น ตัวอย่างสร้างรูปร่างที่ระบุ ไม่ได้ทำซ้ำการทดลองในภาพ
แหล่งอ้างอิง: สัญกรณ์ในข้อความ