คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึก

ความแปรปรวนเริ่มต้น

โครงการเรียนรู้เพนกวิน

โครงการใช้ข้อมูลเพนกวิน Palmer ที่สมบูรณ์ 342 แถว: ชุดฝึก 240 และชุดทดสอบ 102 แถว แถวฝึกที่เลือกกำหนดการปรับสเกลและพารามิเตอร์ CSV ต้นฉบับ

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

การกำหนดค่าเริ่มต้น · อธิบายพารามิเตอร์เริ่มต้นและการแจกแจง

ฟังก์ชันเป้าหมายให้เกรเดียนต์เพื่อปรับพารามิเตอร์

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: 2.1 มองผ่านความคล้ายคลึง

ต้นฉบับใช้น้ำหนักและไบแอสเริ่มต้นที่มีการแจกแจงปกติและค่าเฉลี่ยศูนย์ ความแปรปรวนของทั้งสองคือ σw²/Nℓ และ σb² ตามลำดับ

ความแปรปรวนระบุการกระจายของการแจกแจงเริ่มต้น

ตัวอย่างสูตรต้นฉบับ

\sigma_{w}^{2}/N_{\ell}

ตัวอย่างประกอบ · ตัวอย่างคำนวณพารามิเตอร์ความแปรปรวน ไม่ได้สุ่มจากการแจกแจงปกติหรือแสดงลิมิตความกว้างอนันต์

สัญลักษณ์

$σw, σb$: พารามิเตอร์มาตราส่วนบวก
$Nℓ$: ความกว้างชั้นที่เป็นบวก

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ลำดับข้อมูลในตัวอย่างนี้

ค่าเริ่มต้นในโค้ด

sigmaW = 2
sigmaB = 1
width = 4

คำนวณที่นี่

นิพจน์ผลลัพธ์: { weightVariance: sigmaW ** 2 / width, biasVariance: sigmaB ** 2 }

ส่งกลับ

ผลลัพธ์ตัวอย่าง

weightVariance: 1
biasVariance: 1

JavaScript

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ค่าตัวเลขสร้างขึ้น ตัวอย่างคำนวณพารามิเตอร์ความแปรปรวน ไม่ได้สุ่มจากการแจกแจงปกติหรือแสดงลิมิตความกว้างอนันต์

แหล่งอ้างอิง: สัญกรณ์ในข้อความ