Powiązane publikacje 'neural-networks'
Coraz popularniejsze rekomendacje
Coraz większa liczba osób polecających: od uczenia się płytkiego do głębokiego
Streszczenie
Zacznijmy od obrazu meduzy jako analogii. Meduzy mają duże zdolności przystosowawcze, jeśli chodzi o dostosowywanie warunków życia. W zależności od warunków środowiskowych i innych czynników można je spotkać w płytkich wodach lub głębokich, ciemnych okopach (jak pokazano powyżej). Być może uznają, że jest to korzystne dla obu stron: czas przebywania na poziomie morza lub odwrotnie,..
Historia sieci neuronowych — „Część 02
Historia sieci neuronowych — część 02
W tym artykule będę kontynuował poprzedni artykuł, „Historia sieci neuronowych — część 01”. Następnie porozmawiajmy o historii sieci neuronowych od lat 80. XX wieku do chwili obecnej.
W 1982 roku pojawiło się nowe zainteresowanie tą dziedziną. John Hopfield z Caltech dostarczył list do Narodowej Akademii Nauk. Jego metodologia skupiała się na tworzeniu bardziej wydajnych maszyn przy użyciu relacji dwukierunkowych. W przeszłości połączenia..
Odkrywanie wzorca projektowego sieci neuronowych wykorzystujących fizykę: seria 01
Optymalizacja rozkładu punktów resztowych w celu zwiększenia efektywności i dokładności treningu PINN
W ostatnich latach sieci neuronowe zorientowane na fizykę (PINN) stały się niezwykłym podejściem, które łączy w sobie moc sieci neuronowych z wglądem w podstawowe prawa fizyczne. Kiedy zagłębiałem się w tę dziedzinę, często czułem się przytłoczony ogromną liczbą artykułów naukowych i różnymi proponowanymi w nich technikami. Poruszanie się w tym morzu informacji stało się trudnym..
Uczenie się na podstawie danych Graph przy użyciu Keras i Tensorflow
Motywacja:
Istnieje wiele danych, które można przedstawić w formie wykresu w rzeczywistych zastosowaniach, takich jak sieci cytowań, sieci społecznościowe (wykres obserwujących, sieć znajomych itp.), sieci biologiczne lub telekomunikacja. Korzystanie z funkcji wyodrębnionych z wykresu może zwiększyć wydajność modeli predykcyjnych, opierając się na przepływie informacji pomiędzy sąsiednimi węzłami. Jednak reprezentowanie danych wykresowych nie jest proste, zwłaszcza jeśli nie..
BOOTSTRAPPING INTELIGENTNEGO SYSTEMU REKOMENDUJĄCEGO
W wielu różnych usługach internetowych uczenie maszynowe jest wykorzystywane w systemach rekomendacji, które pomagają użytkownikom uporać się z nadmiarem informacji: jest po prostu zbyt wiele filmów, piosenek i książek, które użytkownicy mogą z pożytkiem przeglądać. Bez takich narzędzi niektóre usługi szybko pozostają w tyle i tracą klientów.
Z podróżowaniem jest trochę inaczej, bo na świecie nie ma milionów miast, ale znalezienie nowych, ciekawych miejsc do podróży nadal stanowi..
Dlaczego sieci neuronowe nie będą działać, jeśli wagi zostaną zainicjowane na 0 i będą działać w modelu liniowym/regresji?
Inicjalizacja wag jest jedną z najważniejszych części sieci neuronowych . Najpowszechniej stosowanym podejściem jest ustawianie wag na małe liczby losowe. Ale w tym artykule omówimy następujące kwestie:
Dlaczego to działa w modelu/regresji liniowej , gdy wagi są inicjalizowane na 0? Dlaczego to nie będzie działać w sieciach neuronowych , gdy wagi zostaną zainicjowane na 0?
P1-) Dlaczego to działa w modelu/regresji liniowej , gdy wagi są inicjalizowane na 0?
Rozważmy..
Aktywacja esicy i binarna crossentropia — Dopasowanie mniej niż idealne?
Badanie problemów związanych z niedokładnością numeryczną
W sieciach neuronowych, których zadaniem jest klasyfikacja binarna , aktywacja esigmoidy w ostatniej warstwie (wyjściowej) i binarna crossentropia (BCE) jako funkcja straty są standardem opłata. Jednak czasami można natknąć się na stwierdzenia, że ta specyficzna kombinacja aktywacji i utraty ostatniej warstwy „może powodować niedokładność liczbową lub nawet niestabilność ”. Chciałem mieć pewność, że rozumiem argument..
