ฟังก์ชันกระตุ้นเชิงเส้น
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: 2.3 เส้นทางการฝึกมีผล
ฟังก์ชันกระตุ้นเอกลักษณ์ส่งคืน x โดยไม่เปลี่ยน
โครงข่ายที่ใช้ฟังก์ชันกระตุ้นนี้ใช้การแปลงเชิงเส้นโดยไม่มีฟังก์ชันกระตุ้นไม่เชิงเส้น
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · นี่คือฟังก์ชันกระตุ้นเอกลักษณ์ ไม่ใช่ฟังก์ชันกระตุ้นใด ๆ
สัญลักษณ์
- ฟังก์ชันกระตุ้นเอกลักษณ์
- ข้อมูลป้อนเข้าจำนวนจริง
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
x=2
คำนวณที่นี่
นิพจน์ผลลัพธ์: { x, output: rho(x) }
ส่งกลับ
x- 2
output- 2
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น นี่คือฟังก์ชันกระตุ้นเอกลักษณ์ ไม่ใช่ฟังก์ชันกระตุ้นใด ๆ
แหล่งอ้างอิง: สัญกรณ์ในข้อความ