퍼셉트론을 기반으로 하는 복잡한 네트워크(여러 출력 레이어와 복잡한 연결 포함)에 대해서는 당분간 침묵하겠습니다.
왠지 어렵네요.
나는 두 가지 정리가 얼마 전에 증명되었다는 것을 알고 있습니다. 첫 번째에 따르면 3계층 비선형 신경망(3개 계층의 뉴런으로 구성되고 각각에 대해 비선형 출력이 있는 네트워크)은 보편적인 근사값이며 계층 수를 더 늘려도 네트워크 성능이 추가되지 않습니다. 두 번째 정리에 따르면 네트워크의 컴퓨팅 성능은 뉴런의 출력에서 특정 유형의 비선형성에 의존하지 않습니다. (비선형성) 원칙적으로 중요하며, Sigmoid 또는 arc tangent가 정확히 무엇인지는 중요하지 않습니다. 이것은 우리가 평등한 것 중에서 최고를 찾으려는 노력을 하지 않게 해줍니다.
이 두 가지 정리는 신경망 아키텍처 선택을 극적으로 단순화하고 가능한 연구 작업의 양을 크게 줄입니다.
또한 참여하지 않은 데이터에 대한 예측 오차를 최소화한다는 의미에서 과거 데이터에 대한 훈련 샘플의 최적 길이, NN의 입력 차원 및 시냅스의 총 수 사이의 명확한 관계 네트워크 교육에서 입증되었습니다. 이렇게 하면 이 최적을 수동으로 선택하여 레닌주의에 참여하지 않을 수 있습니다. PC의 기존 용량으로 시간과 노력을 크게 절약할 수 있습니다.
그러나 실제 NN에서는 입력의 차원을 자유롭게 선택할 수 있습니다. 가격 유형 VR의 경우 특성 차원은 10-100 범위에 있습니다. 여기에서 그러한 많은 매개변수를 사용하여 이동을 구축하는 것은 어려울 것이며 합리적인 시간에 매개변수를 최적화하는 것은 확실히 불가능할 것입니다. 이를 위해 NN은 테스터의 유전 알고리즘보다 눈에 띄게 빠른 오류 역전파 방법을 사용하며, 매개변수의 무딘 열거도 사용합니다.
TS에서 국회와 함께 일하는 것은 저를 놀라게합니다. 생각할 필요가없고 그러한 필요가 없다는 것이 밝혀졌습니다. 저것들. 무엇을 충전할지, 언제 먹이를 줄지, 무엇을 비교할지 = 일종의 시큐어, 진흙 투성이, zatestil 및 바지에 손 (공을 쫓는))), 결과를 기대합니다. 기적의 일반 분야에서 친척과 상사에게 인사합니다. 컴퓨터가 작동 중입니다-상인이 쉬고 있습니다))) 글쎄, 개인적인 것은 없습니다
예, 아니오, kotir에서 발견되는 다음 규칙성 아래에 이론적 토대를 가져올 충분한 인내와 지식이 있다면, 이점을 활용하십시오! 하지만 이 패턴이 얼마나 오래 갈까요? 영원한 것은 역학의 법칙이 아닙니다. 내일 시장의 추세는 바뀔 것이고 당신은 다시 종이 한 장을 집어들고 계산해야 할 것입니다 ... TS가 NS와 함께 그것을 하도록 하십시오. 둔하지만 견고합니다.
...하지만 Better는 매우 좋은 결과를 보여주므로 올바르게 사용하면 살아남을 수 있습니다.
CHAMPI-2008 결과로 볼 때, NS를 사용한 Comrade Better와 다른 CHAMPI 참가자들은 어떤 자리를 차지했습니까?
CHAMPI-2008에서 알 수 있듯이 지도자는 고문이지만 국회는 아닙니다!
이와 관련하여 또 다른 질문이 제기됩니다. 2007년에 베터 동지의 총격이 우발적이었습니까?
그러나 신경망 초과조차도 이익을 위해 충분하지 않을 수 있습니다.
무의미한 말.
많은 작업에서 4계층 퍼셉트론은 훨씬 더 나은 결과와 수렴을 보여줍니다.
그리고 어떤 곳에서는 5-layer가 사용됩니다. 중간 은닉층에서 추가 분석을 위해 중간 데이터를 가져옵니다.
그건 그렇고, 배치된 재순환 네트워크는 퍼셉트론에 불과합니다. 비선형 RNN은 5계층 퍼셉트론에서만 전개됩니다.
퍼셉트론을 기반으로 하는 복잡한 네트워크(여러 출력 레이어와 복잡한 연결 포함)에 대해서는 당분간 침묵하겠습니다.
왠지 어렵네요.
나는 두 가지 정리가 얼마 전에 증명되었다는 것을 알고 있습니다. 첫 번째에 따르면 3계층 비선형 신경망(3개 계층의 뉴런으로 구성되고 각각에 대해 비선형 출력이 있는 네트워크)은 보편적인 근사값이며 계층 수를 더 늘려도 네트워크 성능이 추가되지 않습니다. 두 번째 정리에 따르면 네트워크의 컴퓨팅 성능은 뉴런의 출력에서 특정 유형의 비선형성에 의존하지 않습니다. (비선형성) 원칙적으로 중요하며, Sigmoid 또는 arc tangent가 정확히 무엇인지는 중요하지 않습니다. 이것은 우리가 평등한 것 중에서 최고를 찾으려는 노력을 하지 않게 해줍니다.
이 두 가지 정리는 신경망 아키텍처 선택을 극적으로 단순화하고 가능한 연구 작업의 양을 크게 줄입니다.
또한 참여하지 않은 데이터에 대한 예측 오차를 최소화한다는 의미에서 과거 데이터에 대한 훈련 샘플의 최적 길이, NN의 입력 차원 및 시냅스의 총 수 사이의 명확한 관계 네트워크 교육에서 입증되었습니다. 이렇게 하면 이 최적을 수동으로 선택하여 레닌주의에 참여하지 않을 수 있습니다. PC의 기존 용량으로 시간과 노력을 크게 절약할 수 있습니다.
포럼 참가자 여러분, 이 스레드의 주제는 신경망 입니다. 이를 마스터하는 방법, 어디서부터 시작해야 할까요?
본론으로 들어가자....
주제에 더 가깝습니까? 괜찮아요! 먼저 뉴런을 작성한 다음 이를 네트워크로 결합해야 합니다. 그리고 멋진 프로그램은 나중에 있습니다. 다른 모든 조언은 헛소리입니다.
NS in TS는 오버핏...
차량의 모든 수학적 장치가 적합합니다.
AI 및 NS보다 나쁘지 않은 2-매개변수 지수 평활화와 같은 고대 피팅 방법을 예로 들어 보겠습니다.
AI 및 NS보다 나쁘지 않은 2-매개변수 지수 평활.
맞습니다: 2-매개변수 지수 평활은 입력이 2개인 NN보다 나쁘지 않습니다.
그러나 실제 NN에서는 입력의 차원을 자유롭게 선택할 수 있습니다. 가격 유형 VR의 경우 특성 차원은 10-100 범위에 있습니다. 여기에서 그러한 많은 매개변수를 사용하여 이동을 구축하는 것은 어려울 것이며 합리적인 시간에 매개변수를 최적화하는 것은 확실히 불가능할 것입니다. 이를 위해 NN은 테스터의 유전 알고리즘보다 눈에 띄게 빠른 오류 역전파 방법을 사용하며, 매개변수의 무딘 열거도 사용합니다.
저것들. 무엇을 충전할지, 언제 먹이를 줄지, 무엇을 비교할지 = 일종의 시큐어,
진흙 투성이, zatestil 및 바지에 손 (공을 쫓는))), 결과를 기대합니다. 기적의 일반 분야에서 친척과 상사에게 인사합니다.
컴퓨터가 작동 중입니다-상인이 쉬고 있습니다))) 글쎄, 개인적인 것은 없습니다
...
테스터의 유전 알고리즘보다 눈에 띄게 빠른 오류 역전파 방법을 사용하며, 매개변수의 무딘 열거도 사용합니다.
backpropagation 방법은 10-100개 입력에 대해 오류 함수의 전역 최소값을 찾는 데 어떠한 보장도 제공하지 않습니다.
네트워크의 입력에서 ... 사실 아직 아무도 네트워크 차원의 감소를 취소하지 않았지만 주요 구성 요소를 먼저 분석하면 두 개의 입력으로 충분하지만 큰 문제입니다. 이 분석뿐만 아니라 훈련, 또한 역사에 발생합니다.