Когда сталкиваются две силы, получается натуральный продукт, который хорошо сочетается с природой. Подробнее о моем мыслительном процессе читайте в моей статье Промышленный дизайн эволюционных форм с использованием глубокого обучения. Грубая идея. В этой статье я сказал вам, что представлю численное решение задачи. Хотя в этой статье я не приходил к цифрам, я представляю концепцию, которую можно реализовать с помощью PyTorch от Facebook.
Какие две силы глубокого обучения могут столкнуться для получения результатов: интегралы и производные. Антиград — вычисляет интегрирования по частям, а Автоград — вычисляет частные производные.
Чтобы понять интуицию и логику этого подхода, мы должны ответить на довольно сложный вопрос: «Какой политический режим лучший?» Капитализм или коммунизм. Капитализм следует очень рациональному подходу и отвечает на вопрос, что является оптимальным решением, удовлетворяющим ограничениям эффективности решения, другими словами, он ищет производное. Коммунизм строит структуру, которая не всегда эффективна, и создает грубое решение, которое не является самым эффективным, но создает. Может быть, это квадратные решения, но их решения должны быть оформлены, чтобы получить эффективность. Другими словами, чтобы создать что-то полезное, скульптору нужна форма для работы, и это коммунизм, и он должен формировать форму, это капитализм.
Неудивительно, что наша история началась с монархий, а затем сформировала решение капитализма. Я говорю о том, что мы можем создать фигуру с помощью Antigrad и придать ей форму с помощью Autograd. Это приведет к естественной форме, потому что так работает природа.
У нас есть камень на реке, и речной поток формирует камень, чтобы получить наиболее оптимальное решение.
Как это связано с глубоким обучением? Возьмем простой слой torch.nn.Linear, который принимает частную производную по весу (w) и смещению (b) в формуле wx+b. Процесс оптимизации понятен. Но у нас очень часто бывает переобучение. Мы должны сбалансировать решение с оппозиционным слоем, как в оппозитном двигателе в Subaru. И это явно естественный подход.
Почему функция активации работает в традиционном глубоком обучении. Потому что это нарушает линейность. Это блокирует реку, и нейронные сети лучше учатся. И я думаю, что это будет работать эффективнее, если мы поставим слой Антиград с логикой интеграция по частям и сделаем эти параметры оптимизируемыми, а нейросеть заставим оптимизировать эти параметры на обратном пути. Конец эпохи переобучения.
Конечно, чтобы «сформировать» решение, мы должны учитывать мощность слоев Autograd и мощность слоев Antigrad. Скульптор не оптимизирует (вырезает) скульптуру, пока она не устареет, сила должна быть сбалансирована.
И при таком подходе мы можем создавать форму скульптур и «форму» данных, которые являются естественными. Естественные решения проблем финансов, производства, науки.
Что такое естественный раствор? Это решение, которое хорошо сочетается с природой. Решение, которое не нарушает баланс, а добавляет баланса в общую картину.
Я предлагаю torch.nn.Linear, torch.nn.Conv и другие слои, чтобы иметь противоположные слои, которые играют против этих слоев и уравновешивают решение, чтобы избежать переобучения и создавать естественные данные, естественные решения. Пожалуйста, смотрите рисунок 1.
GAN хороши, но когда я впервые столкнулся с ними, я подумал, что решение немного сложное. Слишком много, НО слишком создают картину новой формы, и тонны предложений о том, как заставить ее работать, не прошли мои естественные ворота решения. И генерация ограничена набором данных. Я говорю о том, что при таком подходе оппозиционных слоев мы можем создать абсолютно новую форму. Я говорю о реальных физических формах и «формах данных» с точки зрения логики решения путем уравновешивания противоположных слоев.
Я собираюсь поговорить о немного продвинутой теме здесь, и вы обязательно пропустите. Формулы Antigrad и Autograd могут не ограничиваться только предопределенными слоями. Например, мы можем думать не с точки зрения torch.nn.Linear или torch.nn.Conv, мы можем думать о свободных формулах в решении и оптимизировать его. За этим нет никакой теории. И это действительно предел моего мозга. Но с его помощью мы можем моделировать и формировать очень сложные вещи. Неограниченное глубокое обучение.
ВОПРОС: «Мужик, что ты куришь?».
ОТВЕТ: «Я курю малаки».
Удачи
