캐럿 패키지를 사용하여 신경망 모델에 적합하고 싶습니다. 208 개의 예측 변수가 모두 중요하며 버려 질 수 없습니다. 크기 매개 변수에 지정할 수있는 최대 값은 4를 초과하여 너무 많은 가중치가 있다고 말하는 오류가 발생합니다. > ctrl<-trainControl(method = 'cv',number = 5)
> my.grid <- expand.gri
scaler = MinMaxScaler()
scaler.fit(data_train)
data_train = scaler.transform(data_train)
data_test = scaler.transform(data_test)
안녕하세요, 저는 신경망을 만들었으며 출력을 원래 값으로 다시 조정하려고합니다. 내가 어떻게 그럴 수 있니?
수동 학습 속도를 사용하려면 예를 들어, 초기 학습 속도는 0.01, 10000 단계 후, 붕괴 학습 속도는 0.001, 20000 단계 후에는 0.0001로 감소합니다. 학습 속도를 떨어 뜨릴 필요가있는이 단계를 어떻게 알 수 있습니까? 어떤 경험이 나를 인도 할 수 있습니까? 일반적으로 이러한 단계를 종이에서 찾을 수 있지만 작성자는 어떻게 이러한 단계
복잡한 가치 무게 backpropagate 방법 : https://openreview.net/forum?id=H1S8UE-Rb 그렇게하려면, 우리는 복잡한 평가 가중치를 포함하는 신경 네트워크에 역 전파를 실행해야합니다. 우리가 (코드 [0]으로)하려고하면 ([1]에서) 오류가 발생합니다. 복잡한 가치있는 가중치를 포함하는 신경망을 훈련시키는 프로젝트의 소
Keras를 사용하여 매우 구체적인 길쌈 신경망을 구현하려고합니다. 중요한 차이점은 내가 은이 비정상적인 활성화 함수 인 log과 exp을 사용한다는 것입니다. ConvNet의 기본 구조는 다음과 같습니다 Input => Conv2D => Activation Log => Avg Pooling => Activation Exp => ... 문제는 다음과 같습니
숫자 입력을 기반으로 특정 숫자 출력을 만드는 시스템의 데이터 세트가 있습니다. 데이터 세트에는 15 분마다 몇 년 동안 입력 값과 출력 값이 포함됩니다. 소프트웨어에서 시스템의 물리적 특성을 모델링하는 데 너무 비싸기 때문에 시스템으로 작동하는 기계 학습을 사용하여 모델을 만들고 싶습니다. 입력을 입력 할 때 모델은 출력을 제공해야합니다. 해결 방법 :
Neural NEtwork 멀티 레이어 퍼셉트론에서는 확률 적 하강 기울기 (SGD)와 그라데이션 하강 (Gradient Descent)의 주요 차이점이 몇 개의 샘플을 선택 하느냐에 달려 있음을 이해합니다. 훈련 도중. 즉, SGD는 앞으로 진행되는 패스를 수행하기 위해 하나의 샘플을 선택하고, 순방향 패스에서 전체 샘플을 계산 한 후에 만 백 피드가
안녕 모두, 을 예측. 그러나이 신경망의 tensorflow 코드를 실행하면 어떤 기능이든 관계없이 동일한 것을 예측합니다. 신경망 개념 등을 읽었으며 내 코드가 개념적 지식으로 체크 아웃하므로 내가 뭘 잘못하고 있는지 혼란스러워. 제가이 분야에서 여전히 무지한만큼 당신이 철저하게 찾은 것을 설명하십시오. 나는 등, 학습 속도를 변경, 기본 정상화를 시도
홍채 데이터 세트의 회귀를 수행하여 유형을 예측합니다. 나는 동일한 데이터와 동일한 신경망을 사용하여 성공적으로 분류를 수행했다. 분류를 위해 모든 레이어에서 tanh를 활성화 함수로 사용했습니다. 그러나 회귀 분석을 위해, 나는 숨겨진 레이어에서 tanh 함수를 사용하고 출력 레이어에서 ID 함수를 사용합니다. import numpy as np
cla
CNN과 RNN의 연결 기능을 가진 입력 레이어 3 개의 신경망을 설계했습니다. 네트워크에서 습득 한 가중치는 매우 작은 값을가집니다. 이것에 대한 합리적인 설명은 무엇입니까? Tensorflow에서 체중 막대 그래프 및 분포를 해석하는 방법은 무엇입니까? 그것을위한 좋은 자원? 이것은 텐서 보드를 사용하여 시각화 된 3 층 신경망의 첫 번째 숨겨진 층의