다음 데이터를 기반으로 새로운 사용자와 태그가 연관 될지를 예측하기 위해 gradeint 디센트를 사용하려고합니다. 숫자는 illustravite 용으로 만 사용되고 실제로이 숫자는 단어에 해당합니다. "USER5"을하고 난 사용자가 요구하는 태그를 예측하는 'R'에 그라데이션 하강을 사용할 수 있습니다이 사용자의 제목과 그룹을 알고 username tag
온라인 리소스 (즉, coursera에서 기계 학습)를 통해 그라데이션 강하를 배웠습니다. 그러나 제공된 정보는 수렴 할 때까지 그래디언트 디센트를 반복하는 것으로 만 설명됩니다. 수렴의 정의는 반복 횟수에 대한 비용 함수의 그래프를 사용하고 그래프가 평평 해지는 것을 관찰하는 것이 었습니다. 따라서 내가 다음을 수행한다고 가정 그래서 if (change_
나는 숫자에 숫자의 이미지가 무엇인지 알려주는 이미지 처리 프로그램을 개발했습니다. 각 이미지는 27x27 픽셀 = 729 픽셀입니다. 각 R, G, B 값을 취합니다. 즉, 각 이미지에서 2187 개의 변수가 있음을 의미합니다 (절편 +1 = 총 2188). 저는 아래 그래디언트 디센트 화학식 사용했을 θj 변수 J의 계수이다 Repeat {
θ
현재 복소 신경 신경 회로망 (CVNN)에 대한 학부 논문을 진행하고 있습니다. 내 주제는 을 기반으로합니다. 실제 가치가있는 분류 문제에 대한 단일 계층 복소수 신경망 .I는 아래에 주어진 데이터 집합 분류 그라데이션 하강 학습 규칙을 사용하고 있습니다 : 이 Data Set 내가 여기에 사용alogorithm는 페이지에서 볼 수 있습니다 복잡한 가치를
그라데이션 디센트를 사용하여 N 매개 변수에서 함수의 최소값을 찾으려고합니다. 그러나 매개 변수의 절대 값의 합을 1 (또는 < = 1, 중요하지 않음)로 제한하면서이를 수행하려고합니다. 이런 이유로 저는 lagrange multipliers의 방법을 사용하고 있습니다. 만약 함수가 f (x)라면 f (x) + lambda * (g (x) -1)를 최소화
Backpropagation 교육에서 오류 표면 아래로 그라데이션 강하하는 동안 숨겨진 레이어의 많은 양의 신경 세포가있는 네트워크가 지역 최소로 고착 될 수 있습니다. 난 모든 경우에 임의의 숫자로 가중치를 다시 초기화하면 결국이 문제를 피할 것이라고 읽었습니다. 이것은 항상 "올바른"초기 가중치 세트가 있음을 의미합니다. (가정하는 것은 안전한가요?)
지난 주 컴퓨터 학습을 배우기 시작했습니다. 모델 매개 변수를 추정하기 위해 그라디언트 디센트 스크립트를 만들려고 할 때, 적절한 학습 속도와 분산을 선택하는 방법에 문제가 생겼습니다. 다른 (학습 속도, 분산) 쌍이 다른 결과를 초래할 수 있다는 것을 발견했습니다. 너는 수렴조차 할 수 없다. 또한 다른 학습 데이터 세트로 변경하면 잘 선택 (학습 속도,
나는 현재 기계 학습 알고리즘에 일을하고 내가 수동으로 매개 변수를 업데이트 할 때에 비해 내가 matlab에의 fminunc를 사용하면 알고리즘은 세계 최소 매우 빠르게 (몇 가지 반복)에 수렴하는 것으로 나타났습니다 : thetas[j] = thetas[j] - (alpha*gradient)/sampleNum; 을 나는 순전히 alpha (단계 비율)이
저는 학습 목적으로 처음부터 그래디언트 디센트 메소드를 사용하여 선형 회귀를 구현하려고합니다. 내 코드의 한 부분이 정말로 나를 괴롭 히고 있습니다. 코드 라인을 실행 한 후 어떤 이유에서든지 x 변수가 변경되고 이유가 확실하지 않습니다. 변수는 다음과 같습니다. x 및 y은 numpy 배열이며이 예제에서는 임의의 숫자를 부여했습니다. x = np.arra