Supponiamo di avere una BP più o meno stazionaria e di avere la sua decomposizione in frequenza. Domanda: cosa è meglio per il modello - 1 caratteristica o 5, e perché?
Se vi capita di avere tale decomposizione ed è corretta e reversibile, allora aumentare il numero di caratteristiche per il modello è solo vantaggioso e aumenta la sua flessibilità, la cosa principale è che gli strumenti MO non falliscono, tra l'altro ora ci sono nuove reti neurali avanzate che rendono i risultati di apprendimento profondo in velocità per ordini di grandezza.
Ivan Negreshniy: Bene, se ti capita di avere tale decomposizione ed è corretta e reversibile, allora aumentare il numero di caratteristiche per il modello è solo vantaggioso e aumenta la sua flessibilità, la cosa principale è che gli strumenti MO non siano compromessi; a proposito, ora sono apparse nuove reti neurali progressive che rendono i risultati di apprendimento profondo in velocità per ordini di grandezza.
Bene + gli elementi più rumorosi rimossi. Cosa sono i ns, come si chiamano? e che dire di xgboost, lo fanno anche loro? )
Bene + gli elementi più rumorosi sono stati rimossi. Cos'è il ns, come si chiamano? e l'xgboost, fanno anche quello? )
Si tratta di una nuova architettura n-network ancora poco conosciuta, senza discese di gradiente, tutto è primitivamente semplice come il cervello del compagno di cui sopra).
Ivan Negreshniy: Questa è una nuova architettura n-network ancora poco conosciuta, senza discese di gradiente, tutto è primitivamente semplice, come il cervello del compagno di cui sopra).
Dove posso leggere? Non riesco nemmeno a trovare qualcosa su Google.
Yuriy Asaulenko: Suppongo che sarà ancora meglio durante il giorno. A giudicare dal modello e dalle corse preliminari di debug. Ma è troppo presto per dire qualcosa, naturalmente.
Supponiamo di avere una BP più o meno stazionaria e di avere la sua decomposizione in frequenza. Domanda: cosa è meglio per il modello - 1 caratteristica o 5, e perché?
Bene, se ti capita di avere tale decomposizione ed è corretta e reversibile, allora aumentare il numero di caratteristiche per il modello è solo vantaggioso e aumenta la sua flessibilità, la cosa principale è che gli strumenti MO non siano compromessi; a proposito, ora sono apparse nuove reti neurali progressive che rendono i risultati di apprendimento profondo in velocità per ordini di grandezza.
Bene + gli elementi più rumorosi rimossi. Cosa sono i ns, come si chiamano? e che dire di xgboost, lo fanno anche loro? )
c'è l'allenamento dell'acqua ..... per "ricordarla" e farla uscire da sola
Bene + gli elementi più rumorosi sono stati rimossi. Cos'è il ns, come si chiamano? e l'xgboost, fanno anche quello? )
Questa è una nuova architettura n-network ancora poco conosciuta, senza discese di gradiente, tutto è primitivamente semplice, come il cervello del compagno di cui sopra).
Dove posso leggere? Non riesco nemmeno a trovare qualcosa su Google.
Ecco tutte le opzioni https://tproger.ru/translations/neural-network-zoo-2/
Dove posso leggere? Non riesco nemmeno a trovare qualcosa su Google.
Ecco tutte le opzioni https://tproger.ru/translations/neural-network-zoo-2/
non c'è molto scritto su di esso nel dominio pubblico, ma la ricerca va avanti https://creatime.me/MediaLibrary/Zanimatelno/NovayaEra
Suppongo che sarà ancora meglio durante il giorno. A giudicare dal modello e dalle corse preliminari di debug. Ma è troppo presto per dire qualcosa, naturalmente.
Come va?
non c'è molto scritto su di esso nel dominio pubblico, ma la ricerca va avanti https://creatime.me/MediaLibrary/Zanimatelno/NovayaEra
Non c'è molto scritto su di esso nel dominio pubblico, ma la ricerca è in corso https://creatime.me/MediaLibrary/Zanimatelno/NovayaEra
ah, beh, non ci sono ancora librerie... non puoi scriverle tu stesso )