다음은 큰 소리로 생각하는 것입니다. N개의 입력이 있는 단일 레이어 신경망의 경우 N개의 시냅스가 있으며, 이 시냅스의 가중치는 일반적인 비선형 방정식의 경우 N 시스템을 고유하게 결정합니다. 이러한 시스템을 해결하려면 각각 N 요소로 구성된 N 벡터의 훈련 세트가 필요합니다. 이 경우 다른 방식으로 작동하지 않습니다. 2계층 신경망에서 입력의 수는 훈련 벡터의 총 수 N x n보다 작아야 합니다. 여기서 n은 두 번째 계층의 시냅스 수입니다. 따라서 훈련 벡터의 길이는 Nn입니다.
3계층 NN의 경우 추론 순서는 동일합니다.
따라서:
1. 필요한 침수 깊이를 기준으로 국회 입구의 치수를 결정합니다.
2. 또한 신경망의 아키텍처(계층 수)를 고려하여 시냅스 수를 세어 최적의 훈련 세트 크기를 얻습니다.
추론은 좋지만 경험적입니다...즉, 입력 데이터의 유형과 표현에만 의존하는 알고리즘을 구축하는 것은 어렵습니다.
1. 입력의 상관 관계를 줄이십시오. 즉, 입력은 가능한 한 통계적으로 독립적이어야 합니다.
2. 또한, 입력 벡터를 정규화할 때 엔트로피의 증가를 달성해야 하므로 동일한 양의 입력 데이터를 유지하면서 NN에 제공되는 정보의 양을 증가시켜야 합니다.
필수 데이터 품질 검사(예: Kolmogorov-Smirnov 방법 또는/및 Hurst 지수)
네트워크 아키텍처를 선택하면 오류를 줄일 수 있습니다.
동의하지 않습니다. 모든 데이터 변환은 원본 샘플의 정보 콘텐츠 변경입니다. 데이터 변경 기준을 평가할 수 있는 기준은 어디에 있습니까? NS를 다루는 모든 사람들은 다음 NS 붐 동안 일어난 오래된 농담에 대해 알고 있다고 생각합니다. 미군이 지상 사격 시스템에 NA를 사용하려고 할 때. 그 구성 요소 중 하나가 패턴 인식 네트워크 등으로 매우 성공적으로 학습했지만, 우천 시에는 어째서인지 탱크를 인식하고, 다른 풍경 구조의 데이터를 제시했을 때 무의식적으로 오판을 하였다. 그 이유는 네트워크가 지형을 잘 인식하지만 탱크는 인식하지 못하기 때문입니다.
데이터가 변경되면 문제는 동일할 수 있습니다. 원칙적으로 정규화 프로세스 자체를 시계열 변동의 구성 요소로 간주할 수 있기 때문에 네트워크는 정규화 시리즈와 관련된 시퀀스(모드)만 선택합니다.
나는 이제 2계층 비선형 NS를 구축했으며 예측 능력이 단일 계층 비선형 NS에 비해 약간 더 높다는 것을 알았습니다. 그러나 예측의 확산은 눈에 띄게 작아서 기쁘게 생각합니다. 또한 입력 수가 증가함에 따라 NN의 눈에 띄는 평활화 특성이 나타남을 확인할 수 있습니다. 하지만 제 경우에는 훈련 바람의 수가 비례하여 증가하는데, 아마도 훈련 샘플의 증가 때문일 것입니다. 우리는 이러한 효과를 어떻게든 분리해야 합니다 ...
무화과에. 빨간색은 원래 시계열(VR)을 보여주고 파란색 - 선형 단일 레이어 네트워크보다 1bar 앞서 예측, 녹색 - 비선형 2계층 네트워크를 나타냅니다. 침지 깊이는 두 경우 모두 동일합니다. 이 인위적인 경우 VR의 추세 섹션에서 예측 데이터가 눈에 띄게 유지됨을 알 수 있습니다. 제 경험이 풍부한 동료가 이 효과를 가지고 있는지 궁금합니다. 그렇다면 어떤 관련이 있습니까?
동의하지 않습니다. 모든 데이터 변환은 원본 샘플의 정보 콘텐츠 변경입니다. 데이터 변경 기준을 평가할 수 있는 기준은 어디에 있습니까? NS를 다루는 모든 사람들은 다음 NS 붐 동안 일어난 오래된 농담에 대해 알고 있다고 생각합니다. 미군이 지상 사격 시스템에 NA를 사용하려고 할 때. 그 구성 요소 중 하나가 패턴 인식 네트워크 등으로 매우 성공적으로 학습했지만, 우천 시에는 어째서인지 탱크를 인식하고, 다른 풍경 구조의 데이터를 제시했을 때 무의식적으로 오판을 하였다. 그 이유는 네트워크가 지형을 잘 인식하지만 탱크는 인식하지 못하기 때문입니다.
데이터가 변경되면 문제는 동일할 수 있습니다. 원칙적으로 정규화 프로세스 자체를 시계열 변동의 구성 요소로 간주할 수 있기 때문에 네트워크는 정규화 시리즈와 관련된 시퀀스(모드)만 선택합니다.
동의하지 않습니다. 모든 데이터 변환은 원본 샘플의 정보 콘텐츠 변경입니다. 데이터 변경 기준을 평가할 수 있는 기준은 어디에 있습니까? NS를 다루는 모든 사람들은 다음 NS 붐 동안 일어난 오래된 농담에 대해 알고 있다고 생각합니다. 미군이 지상 사격 시스템에 NA를 사용하려고 할 때. 그 구성 요소 중 하나가 패턴 인식 네트워크 등으로 매우 성공적으로 학습했지만, 우천 시에는 어째서인지 탱크를 인식하고, 다른 풍경 구조의 데이터를 제시했을 때 무의식적으로 오판을 하였다. 그 이유는 네트워크가 지형을 잘 인식하지만 탱크는 인식하지 못하기 때문입니다.
데이터가 변경되면 문제는 동일할 수 있습니다. 원칙적으로 정규화 프로세스 자체를 시계열 변동의 구성 요소로 간주할 수 있기 때문에 네트워크는 정규화 시리즈와 관련된 시퀀스(모드)만 선택합니다.
나는 말할 수 없습니다. 이것은 대다수의 의견입니다. 나는 기쁘게 생각합니다.
의견은 의견이지만 실제로는 모든 것이 다릅니다. 네트워크 아키텍처를 최적화하기 위해 유전 알고리즘 을 사용하려고 시도했지만 결과는 흥미롭지만 계산하는 데 매우 오랜 시간이 걸립니다.
끝에서 두 번째 글(첫 번째 사진과 함께)에 대해서는 말씀하신 내용을 이해하려고 노력 중입니다.. 개인적으로 눈에 띄는 랙은 못느꼈습니다. 반대로, 특정 패턴이 있는 영역에서는 네트워크(네트워크)가 이를 잘 드러내지 않고 오류가 추세의 중단에 있습니다(여기서는 무작위이거나 표본 크기가 충분하지 않습니다. 외모에 특정 패턴을 설정).
Dobrovo vam vremia sutok i izvinite za translit .
죄송합니다!
좋습니다. 하지만 이론을 원합니다.
다음은 큰 소리로 생각하는 것입니다. N개의 입력이 있는 단일 레이어 신경망의 경우 N개의 시냅스가 있으며, 이 시냅스의 가중치는 일반적인 비선형 방정식의 경우 N 시스템을 고유하게 결정합니다. 이러한 시스템을 해결하려면 각각 N 요소로 구성된 N 벡터의 훈련 세트가 필요합니다. 이 경우 다른 방식으로 작동하지 않습니다. 2계층 신경망에서 입력의 수는 훈련 벡터의 총 수 N x n보다 작아야 합니다. 여기서 n은 두 번째 계층의 시냅스 수입니다. 따라서 훈련 벡터의 길이는 Nn입니다.
3계층 NN의 경우 추론 순서는 동일합니다.
따라서:
1. 필요한 침수 깊이를 기준으로 국회 입구의 치수를 결정합니다.
2. 또한 신경망의 아키텍처(계층 수)를 고려하여 시냅스 수를 세어 최적의 훈련 세트 크기를 얻습니다.
추론은 좋지만 경험적입니다...즉, 입력 데이터의 유형과 표현에만 의존하는 알고리즘을 구축하는 것은 어렵습니다.
(제 생각에) 가장 중요한 것 중 하나는 데이터 준비입니다.
1. 입력의 상관 관계를 줄이십시오. 즉, 입력은 가능한 한 통계적으로 독립적이어야 합니다.
2. 또한, 입력 벡터를 정규화할 때 엔트로피의 증가를 달성해야 하므로 동일한 양의 입력 데이터를 유지하면서 NN에 제공되는 정보의 양을 증가시켜야 합니다.
필수 데이터 품질 검사(예: Kolmogorov-Smirnov 방법 또는/및 Hurst 지수)
네트워크 아키텍처를 선택하면 오류를 줄일 수 있습니다.
동의하지 않습니다. 모든 데이터 변환은 원본 샘플의 정보 콘텐츠 변경입니다. 데이터 변경 기준을 평가할 수 있는 기준은 어디에 있습니까? NS를 다루는 모든 사람들은 다음 NS 붐 동안 일어난 오래된 농담에 대해 알고 있다고 생각합니다. 미군이 지상 사격 시스템에 NA를 사용하려고 할 때. 그 구성 요소 중 하나가 패턴 인식 네트워크 등으로 매우 성공적으로 학습했지만, 우천 시에는 어째서인지 탱크를 인식하고, 다른 풍경 구조의 데이터를 제시했을 때 무의식적으로 오판을 하였다. 그 이유는 네트워크가 지형을 잘 인식하지만 탱크는 인식하지 못하기 때문입니다.
데이터가 변경되면 문제는 동일할 수 있습니다. 원칙적으로 정규화 프로세스 자체를 시계열 변동의 구성 요소로 간주할 수 있기 때문에 네트워크는 정규화 시리즈와 관련된 시퀀스(모드)만 선택합니다.
이것은 두 개의 NN의 예측 능력을 테스트한 결과를 나타냅니다.
무화과에. 빨간색은 원래 시계열(VR)을 보여주고 파란색 - 선형 단일 레이어 네트워크보다 1bar 앞서 예측, 녹색 - 비선형 2계층 네트워크를 나타냅니다. 침지 깊이는 두 경우 모두 동일합니다. 이 인위적인 경우 VR의 추세 섹션에서 예측 데이터가 눈에 띄게 유지됨을 알 수 있습니다. 제 경험이 풍부한 동료가 이 효과를 가지고 있는지 궁금합니다. 그렇다면 어떤 관련이 있습니까?
rip писал (а):
동의하지 않습니다. 모든 데이터 변환은 원본 샘플의 정보 콘텐츠 변경입니다. 데이터 변경 기준을 평가할 수 있는 기준은 어디에 있습니까? NS를 다루는 모든 사람들은 다음 NS 붐 동안 일어난 오래된 농담에 대해 알고 있다고 생각합니다. 미군이 지상 사격 시스템에 NA를 사용하려고 할 때. 그 구성 요소 중 하나가 패턴 인식 네트워크 등으로 매우 성공적으로 학습했지만, 우천 시에는 어째서인지 탱크를 인식하고, 다른 풍경 구조의 데이터를 제시했을 때 무의식적으로 오판을 하였다. 그 이유는 네트워크가 지형을 잘 인식하지만 탱크는 인식하지 못하기 때문입니다.
데이터가 변경되면 문제는 동일할 수 있습니다. 원칙적으로 정규화 프로세스 자체를 시계열 변동의 구성 요소로 간주할 수 있기 때문에 네트워크는 정규화 시리즈와 관련된 시퀀스(모드)만 선택합니다.
나는 말할 수 없습니다. 이것은 대다수의 의견입니다. 나는 기쁘게 생각합니다.
립 은 다음과 같이 썼습니다.
동의하지 않습니다. 모든 데이터 변환은 원본 샘플의 정보 콘텐츠 변경입니다. 데이터 변경 기준을 평가할 수 있는 기준은 어디에 있습니까? NS를 다루는 모든 사람들은 다음 NS 붐 동안 일어난 오래된 농담에 대해 알고 있다고 생각합니다. 미군이 지상 사격 시스템에 NA를 사용하려고 할 때. 그 구성 요소 중 하나가 패턴 인식 네트워크 등으로 매우 성공적으로 학습했지만, 우천 시에는 어째서인지 탱크를 인식하고, 다른 풍경 구조의 데이터를 제시했을 때 무의식적으로 오판을 하였다. 그 이유는 네트워크가 지형을 잘 인식하지만 탱크는 인식하지 못하기 때문입니다.
데이터가 변경되면 문제는 동일할 수 있습니다. 원칙적으로 정규화 프로세스 자체를 시계열 변동의 구성 요소로 간주할 수 있기 때문에 네트워크는 정규화 시리즈와 관련된 시퀀스(모드)만 선택합니다.
나는 말할 수 없습니다. 이것은 대다수의 의견입니다. 나는 기쁘게 생각합니다.
의견은 의견이지만 실제로는 모든 것이 다릅니다. 네트워크 아키텍처를 최적화하기 위해 유전 알고리즘 을 사용하려고 시도했지만 결과는 흥미롭지만 계산하는 데 매우 오랜 시간이 걸립니다.
다음은 네트워크의 예측력에 대한 또 다른 비교입니다.
1계층 비선형(파란색 선) 및 2계층 비선형 신경망을 한 단계 앞서 예측하는 작업입니다. 이것은 단일 레이어가 더 잘 보이는 곳입니다.
이 테스트 결과 를 다른 NN 아키텍처의 결과와 비교하는 것은 흥미롭습니다. 누구든지 비교를 위해 결과를 게시할 수 있습니까?
rip писал (а):
의견은 의견이지만 실제로는 모든 것이 다릅니다. 네트워크 아키텍처를 최적화하기 위해 유전 알고리즘 을 사용하려고 시도했지만 결과는 흥미롭지만 계산하는 데 매우 오랜 시간이 걸립니다.
하루 정도가 많다면 그렇습니다. 네트워크로 작업할 때(이를 악용할 때) 이 작업은 한 번만 수행됩니다.
중성자 에게
아직 결과가 없습니다. 무엇인지 천천히 움직이고 있습니다.
끝에서 두 번째 글(첫 번째 사진과 함께)에 대해서는 말씀하신 내용을 이해하려고 노력 중입니다.. 개인적으로 눈에 띄는 랙은 못느꼈습니다. 반대로, 특정 패턴이 있는 영역에서는 네트워크(네트워크)가 이를 잘 드러내지 않고 오류가 추세의 중단에 있습니다(여기서는 무작위이거나 표본 크기가 충분하지 않습니다. 외모에 특정 패턴을 설정).