Գործառույթների ուժը

Գործառույթների ներկայացման ուժը

Հրաժում. Սա nակնարկներ Ֆունկցիաների ուժը դասի մասին (PadhAI onefourthlabs դասընթաց Առաջին դասընթաց խորը ուսուցման մասին)

Մենք հանդիպեցինք, որ ներկայումս հայտնի են MP Neuron, Perceptron, Sigmoid մոդելներ այդ մոդելներից, որոնցից մենք կարող ենք որոշ եզրակացություններ անել, ինչպիսիք են տվյալները, առաջադրանքը, մոդելը, կորուստը, ուսուցման գնահատումը (կոչվում է վեց բանկա):

Նույնիսկ այս մոդելների դեպքում մենք չենք կարող վարել ոչ գծային բաժանելի տվյալներդա հիմնական թերությունն է, որին մենք հանդիպում ենք այս մոդելներն օգտագործելիս:

Հիմնական որոնումն այստեղ ավելի լավ գործառույթ գտնելն է, որը կարող է նույնիսկ կարգավորել ոչ գծային բաժանելի տվյալները:

Մենք այստեղ կօգտագործենք գրադիենտ ծագման ալգորիթմը՝ կշիռները թարմացնելու համար:

Մենք համապատասխանաբար կթարմացնենք քաշը` ճամփորդելով գրադիենտին հակառակ ուղղությամբ:

Այսպես է աշխատում գրադիենտ իջնելը, որտեղ մասամբ կորստի ածանցյալները գործում են համապատասխանաբար w և b-ով և այդ արժեքները հանում են w և b-ի նախորդ արժեքներից փոքր ուսուցման արագությամբ բազմապատկելով eta ստեղծել նոր կշիռներ համապատասխանաբար w(t+1) և b(t+1):

Այսպիսով, այս դեպքում մենք պետք է հանդես գանք շարունակական գործառույթներով: Շարունակող գործառույթներից մի քանիսը ներկայացված են ստորև:

Առաջին հարցը, որ մենք ստանում ենք, այն է, թե ինչու են մեզ անհրաժեշտ բարդ գործառույթները:

Բարդ հարաբերությունների մոդելավորման համար մեզ անհրաժեշտ է բարդ ֆունկցիա: Պարզ օրինակը, որը մենք կարող ենք բերել այստեղ, բջջային հեռախոսների պատյանն է, այսինքն՝ մենք կարող ենք գրաֆիկ գծել արժեքի և շերտի չափի միջև, ինչպես ցույց է տրված ստորև բերված գրաֆիկում:

Այստեղ, ինչպես ցույց է տրված գծապատկերում, էկրանի չափերը 3,5-ից պակաս են, 3,5-ից 4,5-ի միջակայքում և 4,5-ից մեծպատյանները, ինչպես նաև գները: տատանվում է 8K-ից, 8K-ից մինչև 12K և ավելի քան 12K:այսպեսյուրաքանչյուր գծագրված կետը համապատասխանում է էկրանի որոշակի չափին և արժեքին: .

Եթե ​​դուք մարդ եք, ով սիրում է միայն հեռախոս, որի գինը տատանվում է 8K-ից 12K և էկրանի չափը 2,5-ից 4,5 (կարմիր կետերը գրաֆիկում):

Այստեղ, այս դեպքում, չկա գիծ, ​​որը դուք պետք է գծեք կարմիր և կապույտ կետերը տարբերելու համար, ինչպես ցույց է տրված, քանի որ այս տվյալները ոչ գծային բաժանելի տվյալներ են՝ տարանջատման կետերը բաժանելու համար: Այսպիսով, մեզ անհրաժեշտ է մի ֆունկցիա, որը բաժանում է տվյալները, բոլոր կապույտ կետերը վերագրում է զրոյի արժեքին, իսկ բոլոր կարմիր կետերին՝ մեկին: Ինչպես ցույց է տրված ստորև նկարում:

Բայց իրականում, ճիշտ պատկերը վերևում այնքան էլ հարմար չէ, քանի որ այն ունի սուր եզրեր և այն հարթ գործառույթ չէ, ինչը ենթադրում է, որ որոշակի կետերում այն ​​չի տարբերվում:

Մեզ անհրաժեշտ է հարթ ֆունկցիա, որը տարբերվում է բոլոր կետերում

որը 0 է բոլոր կապույտ շրջաններում և աստիճանաբար բարձրանում է մինչև 1, 1-ը պետք է համապատասխանի կարմիր կետերին այս դեպքում և ամենուր իր 0-ին:

Այսպես ֆունկցիան համապատասխանում է կարմիր և կապույտ կետերին զրոյական և մեկով, այն տարբերելի է բոլոր կետերում՝ լինելով հարթ կոր։

Նույնիսկ սիգմոիդ ֆունկցիան այս դեպքում ձախողվում է, քանի որ սիգմոիդի ձևը չի բավարարում այս դեպքում կարմիրի և կապույտի միջև դասակարգելու կետերը:

Ինչպե՞ս կարող ենք նույնիսկ բարդ գործառույթներ գտնել:

Շատ տվյալների հավաքածուներ kaggle-ից և իրական ժամանակի օրինակներից, խնդիրներից: Տվյալների հավաքածուները գծագրված են ստորև, որտեղ սիգմոիդ ֆունկցիան նույնպես չի կարողանում դասակարգել դրանք, որտեղ մեզ անհրաժեշտ է բարդ ֆունկցիա՝ դրանք դասակարգելու համար:

Վերոհիշյալ բոլոր դեպքերում շատ դժվար և անհնար է տվյալների դասակարգումը MP neuron, Perceptron և Sigmoid ֆունկցիաների միջոցով:

Վերոնշյալները շատ բարդ ֆունկցիաներ են, մենք նույնիսկ կարող ենք դրանք սահմանել և եզրակացության գալ, որ սա հավասարումն է, և մենք նույնիսկ չգիտենք, թե ինչ պետք է սկսել, և դրանք բարդ գործառույթներն են:

Շենքի կառուցում.

Հոյակապ շենք, հայտնի շենք, բարձր շենք, կարճ շենք, բարդ շենք, հասարակ շենք, ինչ էլ որ լինի շենքը, շինարարությունը սկսվում է մեկ աղյուսից՝ դնելով մի աղյուսը մյուսի վրա և մեկը մյուսի կողքին՝ մյուսի վրա։ ըստ պահանջվող ձևի, և մենք կավարտենք շինարարությունը, թե որքան բարդ է այն:

Նույնիսկ բարդ շենքերը կառուցվում են մեկ աղյուսից սկսած :P

Նույն դեպքում բարդ ֆունկցիայի դեպքում մենք պետք է կառուցենք, որ այս դեպքում աղյուսների փոխարեն սկսելով փոքր սիգմոիդ ֆունկցիան: Այսպես մենք սիգմոիդը դնում ենք սիգմոիդների և սիգմոիդների վրա սիգմոիդների կողքին և կառուցում ենք սիգմոիդ ֆունկցիաների ցանց, և այնտեղ ավարտվում է հիանալի շենք, որը կոչվում է Նյարդային ցանց