Ένας εικονογραφημένος και διαισθητικός οδηγός για το πώς να μαθαίνετε νευρωνικά δίκτυα
Καλώς ήρθατε στο δεύτερο μέρος της σειράς Deep Learning Illustrated. Στο Προηγούμενο άρθρο (Σίγουρα διαβάστε αυτό πρώτα!) Καλύψαμε πώς λειτουργεί ένα νευρωνικό δίκτυο και πώς εκπαίδευση Ένα νευρωνικό δίκτυο κάνει προβλέψεις.
Σε αυτό το άρθρο θα εμβαθύνουμε μια άσκηση Απευθυνθείτε και εξερευνήστε πώς μαθαίνει ένα νευρωνικό δίκτυο.
📣 Αν δεν έχετε διαβάσει τα προηγούμενα άρθρα μου, σας συνιστώ ανεπιφύλακτα να ξεκινήσετε με τη σειρά άρθρων μου που καλύπτει Βασικά στοιχεία μηχανικής μάθησηςσυγκεκριμένα αυτό σε αυτό Σταδιακή κάθοδος Επειδή θα διαπιστώσετε ότι μεγάλο μέρος του υλικού που καλύπτεται εκεί είναι σχετικό εδώ.
Πακέτο εκκίνησης Machine Learning
Ας υποθέσουμε ότι θέλουμε να δημιουργήσουμε ένα νευρωνικό δίκτυο που προβλέπει τα καθημερινά έσοδα για τις πωλήσεις παγωτού χρησιμοποιώντας χαρακτηριστικά θερμοκρασίας και ημέρας της εβδομάδας.
Αυτό είναι το σύνολο δεδομένων εκπαίδευσης που χρησιμοποιούμε:
Για να φτιάξουμε ένα νευρωνικό δίκτυο, όπως μάθαμε στο προηγούμενο άρθρο, πρέπει πρώτα να αποφασίσουμε για την αρχιτεκτονική του. Αυτό περιλαμβάνει τον προσδιορισμό του αριθμού των κρυφών επιπέδων, του αριθμού των νευρώνων σε κάθε στρώμα και της συνάρτησης ενεργοποίησης για κάθε νευρώνα.
Ας υποθέσουμε ότι αποφασίσαμε ότι η αρχιτεκτονική μας είναι: ένα κρυφό στρώμα που περιέχει δύο νευρώνες και έναν νευρώνα εξόδου, όλα χρησιμοποιώντας μια συνάρτηση ενεργοποίησης ανορθωτή.
Σειρά ορολογίας: Στο προηγούμενο άρθρο, μάθαμε για τη χρήση συνδρομητών για τη διαφοροποίηση μεταξύ διαφορετικών βαρών. Δεσμευόμαστε για την ίδια συμφωνία εδώ, και επιπλέον, θα χρησιμοποιήσουμε Εκθέτες Για αναφορά στο…
“Ερασιτέχνης διοργανωτής. Εξαιρετικά ταπεινός web maven. Ειδικός κοινωνικών μέσων Wannabe. Δημιουργός. Thinker.”