ИНТЕРАКТИВНАЯ МАСТЕРСКАЯ · 4 → 2 → 3
Поверните объект. Проследите вычисление.
Измените один параметр и обучите сеть.
Синий сектор — 0. Белый — 1.
Рисунки закреплены на шести гранях.
Поворачивается целый куб.
СНАЧАЛА УВИДЕТЬ СЕТЬ
Кружки и стрелки покажут путь данных. Пройдите от одной связи к целой сети.
Все связи видны одновременно. Выберите узел или связь: ниже показаны кубы и расчёт именно этого участка.
Схему можно прокрутить вправо. Её элементы также доступны в списке рядом.
W и b → скрытый слой · U и c → выходной слой.
8 входных связей + 6 выходных связей; смещения показаны под узлами.
Каждый скрытый узел получает все четыре входа. Затем оба результата h₁ и h₂ поступают в каждый из трёх выходов.
Скрытый слой один, узлов в нём два. В выходных узлах получаются оценки sA, sB, sO. Общий softmax превращает их в:
Схему можно прокрутить вправо. Все элементы также доступны в списке ниже.
Оси неподвижны: X вправо, Y от зрителя, Z вверх. Знак + задаёт правый поворот вокруг оси. Идеальный датчик всегда смотрит по −Z; камера зрителя его не меняет.
Куб хранит вес или смещение. Нажмите на него, чтобы разобрать его роль.
вход x параметр θ вычисленный результат
Softmax — оценки модели. Их калибровка не проверяется.
ВЫБРАННЫЙ КУБ-ПАРАМЕТР
θ = (q − 8) / 4. «Тэта равно ку минус восемь, делённое на четыре». Например, q=12 даёт вес +1. Код — дискретная шкала параметра, а не яркость или угол.
Сохраняем 18 параметров. Для девятнадцатого проверяем 16 кодов на всей коллекции. Принимаем только лучший код, если общая потеря уменьшилась более чем на 10⁻¹².
Пробная модель отличается от принятой одним кодом. До завершения поворота вычисление приостановлено. Промежуточные позы не оцениваются. На графике показаны отдельные допустимые коды: между ними нет непрерывного веса.
Проба кандидата, выбор одного параметра, принятая замена и четверть-оборот — разные события. Один проход проверяет все 19 параметров. Это не проход по отдельным учебным примерам: каждая проба использует сразу все 16 рисунков.
При равенстве кандидатных минимумов выбираем меньший q. Без строгого улучшения возвращаем старый код. После полного прохода без улучшений останавливаемся. Уменьшение потери может временно уменьшить число верных ответов.
Раскройте операции по порядку. Нажатие на подчёркнутое число показывает его источник. Все значения относятся к текущей показанной модели.
Здесь воспроизводится проверенная запись Python. Для нового вычисления используйте «Обучение»: даже при эталонном расписании все потери считаются заново в браузере.
Нажмите на рисунок, чтобы сделать его входом. Верхняя подпись — учитель, нижняя — ответ сети.
Вход — четыре идеальных показания секторов. Сеть не читает фотографию, ID грани или номер позы. OTHER — обученный класс оставшихся 14 рисунков, а не универсальный детектор неизвестного.
Все 16 рисунков участвуют в обучении. Полный контроль этого конечного пространства не является независимым тестом и не доказывает обобщение на шум, камеры или новые условия.
Постоянный ответ OTHER даёт 14/16 = 87,5%, пропуская оба интересующих положения. Поэтому здесь отдельно показаны классы, а потеря даёт каждому из них треть веса.
Нейросеть задаёт функцию. Оптимизатор выбирает параметры. Здесь мы сравниваем дискретные состояния напрямую. Градиентный спуск и обратное распространение производных в этом опыте не используются.
Нет. Изменились данные x. С теми же 19 параметрами заново вычисляются суммы, активации и ответ.
Если изменился верхний код, изменилось число θ. Оценки могли измениться без смены максимума. Если тот же код виден в другой физической позе, модель не изменилась.
Нет. Потеря учитывает оценки правильных классов, а точность — только выбранные ответы. Это разные характеристики.
В сети два скрытых и три выходных узла. Параметры принадлежат их связям и смещениям: 8 + 2 + 6 + 3 = 19.