2) Хмм, а кто запрещает использовать для каждого нейрона сети свою ф-ю активации в MLP? Вернее, коэффициент кривизны в ф-и активации, так как она (ф-я активации) у всех сетей и всех нейронов одна и та же, её форма может меняться начиная от логической ступенчатой, s-образной до прямой линейной.
3) Ну вот, а раз так, то и не стоит городить огород.
4) Никак не противоречит сказанному мною
5) Вы слепо следуете книжным авторитетам, и не проводите исследований самостоятельно? Зря. Здесь неограниченное поле для полета фантазии, и, если следовать, часто противоречащим друг другу, книжным понятиям, есть большая вероятность упустить из виду очень важные.... хм, в общем многое теряете.
В общем, как хотите так и называйте, суть нелинейного преобразования нейрона от этого не изменится.
При таком изложении, вы уже говорите не об MLP, так как его архитектура однозначно сформулирована, а о многослойных сетях с backprop методом обучения. Можно микшировать как угодно слоя, и ф-ции активации.
Вот как потом интерпретировать то, что вы получите на выходе? У меня тут на языке крутится одна история, по аналогии, которая была на заре бума НС. DARPA финансировала разработки НС для распознавания объектов, потратили много млн., (извиняюсь более точно освоили млн. гранды) сделали, сеть учили опознавать танки на местности ;) на учили ... свои от чужих отличает великолепно, 99,99%. Ошибка на тестовой выборке ;) Чуть не отчитались что все круто ... В общем, кто-то додумался тестировать систему на фото, сделанные относительно другой местности и погодных условий ... какое было разочарование, когда система показала 10-15% успешной идентификации объектов. :) После анализа, оказалось что система успешно идентифицировала типы облаков, которые были над той местностью где были изготовлены фото.
Вот и ответ на вопрос почему существует, такое кол-во моделей НС. Практически все модели подгоняются под определенные задачи, в очень узком разрезе набора решений. Если рассматривать НС как параметрическую систему не линейных уравнений. А исследования, их надо вести в рамках какой-то концепции, в противном случае это "метод математического тыка" ...
Опиши только что и как сделать. Я залью, когда закончу, отпишусь.
这个图书馆占用了多少空间？
http://narod.yandex.ru/
Какой обьем занимает эта библиотека?
http://narod.yandex.ru/
约700MB
1) Вот и я говорил, что дело в учителе.
2) Хмм, а кто запрещает использовать для каждого нейрона сети свою ф-ю активации в MLP? Вернее, коэффициент кривизны в ф-и активации, так как она (ф-я активации) у всех сетей и всех нейронов одна и та же, её форма может меняться начиная от логической ступенчатой, s-образной до прямой линейной.
3) Ну вот, а раз так, то и не стоит городить огород.
4) Никак не противоречит сказанному мною
5) Вы слепо следуете книжным авторитетам, и не проводите исследований самостоятельно? Зря. Здесь неограниченное поле для полета фантазии, и, если следовать, часто противоречащим друг другу, книжным понятиям, есть большая вероятность упустить из виду очень важные.... хм, в общем многое теряете.
В общем, как хотите так и называйте, суть нелинейного преобразования нейрона от этого не изменится.
有了这个介绍，你就不再是在谈论MLP了，因为它的结构已经明确制定，而是在谈论多层网络的学习方法，即Backprop。你可以随心所欲地混合多个层和激活函数。
这就是然后你如何解释你在输出中得到的东西？我有一个舌尖上的故事，与NS繁荣时期的一个故事相仿。DARPA资助开发用于物体识别的NS，花了很多钱，（我道歉更准确地说是吸收了几百万的补助金）做成的，网络被教成了识别地面上的坦克;）就教了。它能将自己的人与其他人完美区分开来，达到99.99%。在测试样本上的错误;)几乎有报道说，一切都很酷......。总之，有人想到在不同地形和天气条件下拍摄的照片上测试该系统......。当系统显示识别物体的成功率为10-15%时，这是多么令人失望啊。:)经过分析，结果发现，该系统成功地识别了照片拍摄区域上空的云层类型。
因此，回答了为什么有这么多的云计算模型的问题。几乎所有的模型都是在非常狭窄的解决方案中为特定任务量身定做的。如果将NS视为非线性方程的参数系统。而研究，应该在某种概念的框架内进行，否则就是一种 "数学摸索的方法"......。
При таком изложении, вы уже говорите не об MLP, так как его архитектура однозначно сформулирована, а о многослойных сетях с backprop методом обучения. Можно микшировать как угодно слоя, и ф-ции активации.
Вот как потом интерпретировать то, что вы получите на выходе? У меня тут на языке крутится одна история, по аналогии, которая была на заре бума НС. DARPA финансировала разработки НС для распознавания объектов, потратили много млн., (извиняюсь более точно освоили млн. гранды) сделали, сеть учили опознавать танки на местности ;) на учили ... свои от чужих отличает великолепно, 99,99%. Ошибка на тестовой выборке ;) Чуть не отчитались что все круто ... В общем, кто-то додумался тестировать систему на фото, сделанные относительно другой местности и погодных условий ... какое было разочарование, когда система показала 10-15% успешной идентификации объектов. :) После анализа, оказалось что система успешно идентифицировала типы облаков, которые были над той местностью где были изготовлены фото.
Вот и ответ на вопрос почему существует, такое кол-во моделей НС. Практически все модели подгоняются под определенные задачи, в очень узком разрезе набора решений. Если рассматривать НС как параметрическую систему не линейных уравнений. А исследования, их надо вести в рамках какой-то концепции, в противном случае это "метод математического тыка" ...
好吧，我告诉你，叫什么由你决定。采用这样的方法，严格划分NN的类型，就不可能建立任何基于基本粒子 "神经元 "的复杂系统。 这就是为什么我建议不要纠结于某些类型的网络。
而且我根本不使用反推法。它不允许建立网络的委员会，不允许建立任意配置的网络。
joo вы закините на файлообменник эту кучу книг?
是的，如果你能向我通俗地解释如何做到这一点。到现在为止，我还没有上传到ftp上，我在yandex上也没能做到这一点。
Да, если объясните мне популярно как это сделать. Не разу не занимался заливкой на ftp до сего дня, на yandex не получилось.
我怎么刚在人上注册！这里有http://narod.ru/disk/18186702000/NejronnyeSeti.djvu.html 测试。
有高达5GB的容量
Как так только сейчас на народе зарегестривовался! вот http://narod.ru/disk/18186702000/NejronnyeSeti.djvu.html тест.
там до 5 Gb
我不知道，变速器按时停止了，basta。
Ну не знаю, вовремя отправки передача остановилась и баста.
圣诞树和针叶。我将寻找另一种服务。圣诞树和针叶。寻找另一种服务。
作为一个文件共享选项--在谷歌上创建一个电子邮件账户，现在你可以向 "文档 "上传任何类型的文件。 一般 每个文件的体积--我不记得了。150或200米，然后你可以允许访问文件...