Комментарии 13
Интересное чтиво. Пробовал оригинал прочитать, но не осилил. Спасибо за перевод
Хорошая книга для начального ознакомления. По структуре напоминает чем-то курс udacity.
Тема хорошая, но ввиду взлета популярности ML и огромного количества доступного материала на эту тему, все-таки ждешь чего-то более интересного и свежего, чем сухая теория из середины прошлого века. Плюсом, здесь же, на Хабре, уже имеется немало всего по нейросетям, от Яндекса, например.
Выходной слой имеет один нейрон, который содержит выходное значение, если оно больше, чем 0.5, то на изображении «9», иначе нет.
Вот это место совсем непонятно.
Скорее всего автор имел в виду то, что на выходном значении нейронам мы имеем вероятность принадлежности к классу, если вероятность больше чем 50%, то скорее всего данный объект принадлежит к классу «9», то есть простыми словами, входе мы получили изображение девятки с вероятностью больше 50%.
«This can be useful, for example, if we want to use the output value to represent the average intensity of the pixels in an image input to a neural network. But sometimes it can be a nuisance. Suppose we want the output from the network to indicate either „the input image is a 9“ or „the input image is not a 9“. Obviously, it'd be easiest to do this if the output was a 0 or a 1, as in a perceptron. But in practice we can set up a convention to deal with this, for example, by deciding to interpret any output of at least 0.5 as indicating a „9“, and any output less than 0.5 as indicating „not a 9“. I'll always explicitly state when we're using such a convention, so it shouldn't cause any confusion.»
«This can be useful, for example, if we want to use the output value to represent the average intensity of the pixels in an image input to a neural network. But sometimes it can be a nuisance. Suppose we want the output from the network to indicate either „the input image is a 9“ or „the input image is not a 9“. Obviously, it'd be easiest to do this if the output was a 0 or a 1, as in a perceptron. But in practice we can set up a convention to deal with this, for example, by deciding to interpret any output of at least 0.5 as indicating a „9“, and any output less than 0.5 as indicating „not a 9“. I'll always explicitly state when we're using such a convention, so it shouldn't cause any confusion.»
Я правильно понимаю что предполагается суета вида «а не единица ли это? А не двойка ли это? Ну а может тройка это?»
И так перебор принадлежности ко всем имеющимся классам.
И так перебор принадлежности ко всем имеющимся классам.
Думаю, что так и есть, как нейросеть оперирует цифрами и перемножениями в точности неизвестно, но она формирует массив вероятностей принадлежности к каждому классу и берет максимальную вероятность и соотвествующий ей класс. Как то так
Так и есть. Если нейросеть занимается задачей классификации, то количество выходных нейронов = количеству классов.
Ну если по простому, то тренировка нейронной сети — это просто попытка подобрать такие веса у всех нейронов в сети при которых, на максимальном количестве обучающих изображений, результат на выходе был бы как можно ближе к 1 для тех изображений где есть «9» и максимально близок к 0 для тех изображений где её нет. Соответственно, когда мы скармливаем новое изображение нейронной сети с подобранными весами мы оцениваем выход, если он больше 0.5 — значит то что скормили похоже на 9.
Почему то все статьи про нейронные сети описывают одно и то же
Прочитал одну считай прочитал все
Прочитал одну считай прочитал все
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Использование нейронных сетей для распознавания рукописных цифр Часть 1