Публикации по теме 'backpropagation'
Автоэнкодеры ~ Глубокие генеративные модели
Введение
В последние годы разработка DGM стала одной из наиболее исследуемых областей практической деятельности. Книги DGM стали более многочисленными и быстро пополняются. Он широко используется в производстве реалистичных изображений, слов или фильмов; называются дип-фейками. Модели нейронных сетей с глубокой генерацией (DGM) имеют несколько скрытых слоев, обученных измерять распределение сложных приложений с высоким потенциалом с использованием большого количества выборок. В..
Обратное распространение стало проще
Обратное распространение - это основа машинного обучения, но оно кажется таким устрашающим. Но на самом деле это проще, чем кажется.
Чтобы изучить машинное обучение (ML), не требуется математического гения. По сути, все, что вам нужно, это исчисление первого курса колледжа, линейная алгебра и теория вероятностей, и вы готовы к работе. Но за кажущимся безобидным первым впечатлением от ML стоит множество математических теорий, связанных с ML. Для многих первое реальное препятствие в..
WX + b против XW + b, почему разные формулы для глубоких нейронных сетей в теории и реализации?
Эта проблема:
В большинстве учебников по нейронным сетям нейронные сети объединяют функции, используя, y = WX + B или y = W’X + B, однако в реализациях tenorflow и theano нейронные сети реализованы как y = XW + B. Я потратил много времени, исследуя причину этого несоответствия, и пришел к следующему. TL; DR: я думаю, что это проблема реализации, вычисление производных для y = XW + B проще, чем y = WX + B
Теоретически W’X + B (или WX + B) - это то, как математика нейронных сетей..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..