예!!! 주제는 매우 흥미 롭습니다. 꿀벌 떼 또는 입자 떼를 최적화하는 예를 사용하여 자연 알고리즘을 사용하여 신경망을 최적화하는 주제를 조금 다루고 싶습니다. 이 방법에 대한 기사를 읽었을 때 나는 그것이 어떻게 생겼는지 생각했습니다. OpenCL이 뉴런에만 직접 적용되는 것에 지나지 않습니다. 따라서 추가 OpenGL 그래픽 DDL을 사용하여 이것을 구현하려고 시도하지 않는 이유는 무엇입니까? 테스터가 허용합니다. 누군가 관심이 있다면 흥미로운 기사 하나에 대한 링크를 줄 수 있으며 출처에 대한 링크도 있습니다.
her.human : 에서 입력을 가져 오고 원하는 사람이 출력을 가져오도록 하는 것이 더 논리적인 것 같습니다.
그것은 가능하고 따라서 모델의 본질을 바꾸지 않습니다. 어떤 옵션이 더 빠를지 속도를 확인해야 하지만.
gpwr : 일부 네트워크에서는 다른 레이어가 레이어 내에서 서로 다른 입력 처리 및 서로 다른 뉴런 연결을 갖기 때문에 레이어가 필요합니다. 사실 보편적인 네트워크를 구축한다는 목표의 실용성을 이해하지 못합니다. 뉘앙스가 있는 많은 네트워크가 있습니다(다른 레이어의 뉴런 기능, 연결, 웨이트 트레이닝 등). 하나의 모델로 그것들을 모두 설명하는 것은 불가능하거나 비효율적인 것 같습니다. 다른 네트워크의 라이브러리를 생성하지 않는 이유는 무엇입니까?
각 뉴런은 해당 유형(계층은 말할 것도 없고)으로 정의할 수 있으며, 이는 CProcessing 기본 클래스 자손의 확장 가능한 기능에 의해 설정됩니다. 그건 그렇고, 나는 아이디어에 대해 생각했지만 무릎 꿇는 것의 구현을 조각했습니다. 토론하고 이미 생각한 것을 구현하고 싶었습니다. CProcessing에 Trening 기능이 있어야 하고, 뉴런의 종류마다 파생물에 따라 다를 수 있고, 그 외에는 신이 아실 거라 생각했다. 또한 직접 전파 및 역전파로 교육이 있을 수 있습니다.
보편적인 토폴로지와 함께 우리는 보편적인 학습 계획을 얻습니다. 뉴런이 학습하기 위해 수행해야 하는 작업은 뉴런 자체에 설명되어 있으며 학습 처리는 그리드를 따라 단일 표준화된 발전입니다.
예를 들어, 방사형 기본 뉴런이 MLP에 산재되어 있는 동시에 모든 것이 정상적으로 학습되는 것을 어디선가 본 적이 있습니까? 그리고 여기에서 실현 가능합니다.
희소성(위에서 작성)과 관련하여 마스크를 기반으로 각 뉴런에 대한 인덱스 배열 을 생성할 수 있습니다. 이 배열은 계산 후 출력을 배치할 위치를 나타냅니다.
예!!! 주제는 매우 흥미 롭습니다. 꿀벌 떼 또는 입자 떼를 최적화하는 예를 사용하여 자연 알고리즘을 사용하여 신경망을 최적화하는 주제를 조금 다루고 싶습니다. 이 방법에 대한 기사를 읽었을 때 나는 그것이 어떻게 생겼는지 생각했습니다. OpenCL이 뉴런에만 직접 적용되는 것에 지나지 않습니다. 따라서 추가 OpenGL 그래픽 DDL을 사용하여 이것을 구현하려고 시도하지 않는 이유는 무엇입니까? 테스터가 허용합니다. 누군가 관심이 있다면 흥미로운 기사 하나에 대한 링크를 줄 수 있으며 출처에 대한 링크도 있습니다.
하지만. 그러한 접근 방식은 토폴로지의 유전적 교차 시도를 위한 세균조차 포함하지 않습니다.
그런 얘기는 들어본 적이 없어요. 서로 다른 토폴로지를 교차하는 것이 동일한 토폴로지의 진화보다 더 나은 결과를 가져올 수 있습니까?
그런 얘기는 들어본 적이 없어요. 서로 다른 토폴로지를 교차하는 것이 동일한 토폴로지의 진화보다 더 나은 결과를 가져올 수 있습니까?
그런 얘기는 들어본 적이 없어요. 서로 다른 토폴로지를 교차하는 것이 동일한 토폴로지의 진화보다 더 나은 결과를 가져올 수 있습니까?
에서 입력을 가져 오고 원하는 사람이 출력을 가져오도록 하는 것이 더 논리적인 것 같습니다.
그것은 가능하고 따라서 모델의 본질을 바꾸지 않습니다. 어떤 옵션이 더 빠를지 속도를 확인해야 하지만.
일부 네트워크에서는 다른 레이어가 레이어 내에서 서로 다른 입력 처리 및 서로 다른 뉴런 연결을 갖기 때문에 레이어가 필요합니다. 사실 보편적인 네트워크를 구축한다는 목표의 실용성을 이해하지 못합니다. 뉘앙스가 있는 많은 네트워크가 있습니다(다른 레이어의 뉴런 기능, 연결, 웨이트 트레이닝 등). 하나의 모델로 그것들을 모두 설명하는 것은 불가능하거나 비효율적인 것 같습니다. 다른 네트워크의 라이브러리를 생성하지 않는 이유는 무엇입니까?
각 뉴런은 해당 유형(계층은 말할 것도 없고)으로 정의할 수 있으며, 이는 CProcessing 기본 클래스 자손의 확장 가능한 기능에 의해 설정됩니다. 그건 그렇고, 나는 아이디어에 대해 생각했지만 무릎 꿇는 것의 구현을 조각했습니다. 토론하고 이미 생각한 것을 구현하고 싶었습니다. CProcessing에 Trening 기능이 있어야 하고, 뉴런의 종류마다 파생물에 따라 다를 수 있고, 그 외에는 신이 아실 거라 생각했다. 또한 직접 전파 및 역전파로 교육이 있을 수 있습니다.
보편적인 토폴로지와 함께 우리는 보편적인 학습 계획을 얻습니다. 뉴런이 학습하기 위해 수행해야 하는 작업은 뉴런 자체에 설명되어 있으며 학습 처리는 그리드를 따라 단일 표준화된 발전입니다.
예를 들어, 방사형 기본 뉴런이 MLP에 산재되어 있는 동시에 모든 것이 정상적으로 학습되는 것을 어디선가 본 적이 있습니까? 그리고 여기에서 실현 가능합니다.
(토폴로지에 대한 철저한 설명을 포함하여) 보편적인 설명의 아이디어는 동일한 "메시 유형"에서 추상화하는 것이 가능하기 때문에(마침내!) 다소 인공적인 개념인 경우에만 유망합니다. 그것.
일부 특정 토폴로지에 특정 이름을 지정해도 상관 없습니다(순전히 편의상). 그러나 이러한 이름이 최면을 시작하지 않고 본질에 대한 인식에 장벽을 만들고 아이디어가 서로 교차하는 것을 방지하는 한. 그리고 이것은 삶의 모든 영역에서 모든 단계에서 관찰됩니다.
주제에 대한 귀하의 의견을 읽고 결론에 도달했습니다 . 프로젝트의 베타가 언제인지 보고 싶습니다. 그리고 자세한 설명이 있는 기사.
...
주제에 대한 귀하의 의견을 읽고 결론에 도달했습니다. 프로젝트의 베타가 언제인지 보고 싶습니다. 자세한 설명이 포함된 기사.
토론을 하는 동안 시간이 말해줄 것입니다.
(토폴로지에 대한 철저한 설명을 포함하여) 보편적인 설명의 아이디어는 동일한 "메시 유형"에서 추상화하는 것이 가능하기 때문에(마침내!) 다소 인공적인 개념인 경우에만 유망합니다. 그것.
일부 특정 토폴로지에 특정 이름을 지정해도 상관 없습니다(순전히 편의상). 그러나 이러한 이름이 최면을 시작하지 않고 본질에 대한 인식에 장벽을 만들고 아이디어가 서로 교차하는 것을 방지하는 한. 그리고 이것은 삶의 모든 영역에서 모든 단계에서 관찰됩니다.
예를 들어 "MLP" 템플릿은 모든 뉴런의 유형을 "퍼셉트론"으로 규정합니다.