คณิตศาสตร์สมัยใหม่ของการเรียนรู้เชิงลึกอธิบายสำหรับผู้ที่ไม่ใช่นักคณิตศาสตร์

แนวคิด / เริ่มต้นที่นี่

ทิศทางเกรเดียนต์ในแต่ละขั้น

โครงการเรียนรู้เพนกวิน

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

โครงการนี้ฝึกน้ำหนักด้วย softmax ต่างจากแล็บในหน้าแรกที่ใช้ค่าเฉลี่ยของสายพันธุ์ที่ใกล้ที่สุด ข้อมูลวัดเพนกวินชุดเดียวกัน แต่วิธีจำแนกต่างกัน คำทำนายอาจต่างกันได้

การเรียนรู้และการปรับพารามิเตอร์ · เลือกกฎหรือปรับพารามิเตอร์ด้วยกฎการเรียนรู้

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: 1.2.1 หาพารามิเตอร์ที่เหมาะสม

ลำดับ (D⁽ᵏ⁾) แสดงทิศทางการปรับหนึ่งทิศทางสำหรับแต่ละขั้นในการหาค่าที่เหมาะสม K ขั้น

ลำดับบันทึกทิศทางที่วิธีแบบวนซ้ำใช้

ตัวอย่างสูตรต้นฉบับ

(D(k))k=1K(D^{(k)})_{k=1}^{K}

ตัวอย่างประกอบ · ตัวอย่างแสดงทิศทางคงที่สองทิศทาง ไม่ได้นิยามกฎการสุ่มของทิศทาง

สัญลักษณ์

D(k)D⁽ᵏ⁾
ทิศทางการปรับ ณ ขั้น k
KK
จำนวนขั้น

ตัวอย่างสูตรต้นฉบับ

ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ

แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท

ลำดับข้อมูลในตัวอย่างนี้

ค่าเริ่มต้นในโค้ด

  • directions = [ [1, 0], [0, 1], ]

คำนวณที่นี่

นิพจน์ผลลัพธ์: { K: directions.length, directions }

ส่งกลับ

ผลลัพธ์ตัวอย่าง
K
2
directions
อาร์เรย์ (2 รายการ): [อาร์เรย์ (2 รายการ): [1, 0], อาร์เรย์ (2 รายการ): [0, 1]]

อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.

ผลลัพธ์

เปิด JavaScript เพื่อรันตัวอย่างนี้

ข้อความทางเทคนิค

ค่าตัวเลขสร้างขึ้น ตัวอย่างแสดงทิศทางคงที่สองทิศทาง ไม่ได้นิยามกฎการสุ่มของทิศทาง

แหล่งอ้างอิง: สัญกรณ์ในข้อความ