ทิศทางการปรับด้วยเกรเดียนต์
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 เรียนรู้จากตัวอย่าง · 1.2.1 หาพารามิเตอร์ที่เหมาะสม
D⁽ᵏ⁾ เป็นทิศทางที่ใช้ในขั้นหาค่าที่เหมาะสมลำดับ k สำหรับการลดระดับเกรเดียนต์ทั่วไป ทิศทางนี้เป็นเกรเดียนต์ของ r ณ พารามิเตอร์ก่อนหน้า
ทิศทางกำหนดว่าการปรับเปลี่ยนพารามิเตอร์อย่างไร
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างประกอบ · ตัวอย่างใช้เกรเดียนต์แม่นตรงของ r(θ)=θ² ต้นฉบับยังอนุญาตทิศทางแบบสุ่ม
สัญลักษณ์
- ทิศทางการปรับ ณ ขั้น k
- ฟังก์ชันเป้าหมายในการหาค่าที่เหมาะสม
- ค่าพารามิเตอร์ก่อนหน้า
ตัวอย่างสูตรต้นฉบับ
ตัวอย่างต้นฉบับนี้ใช้ข้อมูลเข้าและสมมติฐานของตัวเอง การแก้ไขไม่เปลี่ยนโครงการ
แก้ค่าหรือโค้ด แล้วกดรัน ตัวอย่างนี้เป็นการคำนวณจำนวนจำกัด ไม่ใช่การพิสูจน์ทฤษฎีบท
ลำดับข้อมูลในตัวอย่างนี้
โค้ดเปลี่ยนแล้ว กดรีเซ็ตเพื่อคืนลำดับข้อมูลของตัวอย่าง
ค่าเริ่มต้นในโค้ด
previous=2rate=0.25
คำนวณที่นี่
นิพจน์ผลลัพธ์: { previous, direction: gradient, next: previous - rate * gradient }
gradient=2 * previousใช้:previous
ส่งกลับ
previous- 2
direction- 4
next- 1
อ่านตัวเลขจาก input แล้วคืนค่าผลลัพธ์ พื้นฐาน JavaScript.
ผลลัพธ์
ข้อความทางเทคนิค
ค่าตัวเลขสร้างขึ้น ตัวอย่างใช้เกรเดียนต์แม่นตรงของ r(θ)=θ² ต้นฉบับยังอนุญาตทิศทางแบบสุ่ม
แหล่งอ้างอิง: สัญกรณ์ในข้อความ