神经网络和输入 - 页 7

新评论
 
solar:
例如，正常的银行跟踪 - 你用你的卡做什么，如果是 "不寻常的 "购买，网格会阻止该卡。该网在机场工作了很长时间，在地下的情况下，有必要找到合适的 "脸"。在探测和引导的情况下，该网可识别目标。在大型企业--作为一个人的复制品，在紧急情况下。事实上，网在很多地方都能发挥作用。

最宽的。

在我看来，网格的标准是这样的。它知道要教什么。例如，我们通过在网格中呈现数以千计的拼写变体来教授识别手写字母 "a"。我怀疑所有字母的变体与理想的偏差形成一个静止的序列。因此，成功有两个条件：你知道要教什么，以及与理想的偏差形成一个静止的序列。似乎有可能偏离这一理想。但这里进入了第三个问题--计算的复杂性。

但我在讨论的是市场。在市场上，有很多数学算法，允许以更有意识的方式来构建TS。因此，把时间花在Matstatistics 上比花在相当复杂的NS上更有成效。

 
faa1947:

最宽的。

在我看来，网格的标准是这样的。它知道要教什么。例如，我们通过在网格中呈现数以千计的拼写变体来教授识别手写字母 "a"。我怀疑所有字母的变体与理想的偏差形成一个静止的序列。因此，成功有两个条件：你知道要教什么，偏离理想的情况形成一个静止的系列。似乎有可能偏离这一理想。但这里出现了第三个问题--计算的复杂性。

但我在讨论的是市场。在市场上，有很多数学算法，允许以更有意识的方式构建TS。因此，把时间花在Matstatistics上比花在相当复杂的NS上更有成效。

至于识别字母表中的字母（以此类推），我们应该假设市场是一个封闭的系统。这将使它成为固定的（用你的语言）。 也就是说，我们应该输入我们所知道的关于市场的一切。)))))
 
solar:
至于识别字母表中的字母（以此类推），有必要假设市场是一个封闭的系统......。什么会使它固定下来（用你的语言）。 也就是说，我们应该输入我们所知道的关于市场的一切。)))))


1.市场不是一个封闭的系统，而是一个活的系统，因为它是由人们的意见形成的。

2.固定 "不是我的语言。

就这样吧--退下。

 
faa1947:


1.市场不是一个封闭的系统，而是一个活生生的系统，因为它是由人们的意见形成的。

2.固定 "不是我的语言。

就这样吧--退下。

我没有试图向你证明什么，我不感兴趣）））。

return(0);

 
faa1947:

在我看来，网格的标准是这样的。它知道要教什么。例如，我们通过在网格中呈现数以千计的拼写变化来教授识别手写字母 "a"。

并非如此，尽管许多简单的网会像你描述的那样学习。但也有一些网络是在飞行中自我学习的，比如我们的大脑。顺便说一下，否认网络的有用性就像否认我们大脑的有用性一样。而我们的大脑成功地操作了所有类型的数据：静止的和非静止的。另一件事是声称简单的教科书网络可以做我们的大脑可以做的事情，即找到模式，等等。所以我对这些 "简单 "网络在交易中的作用持悲观态度。而且目前还没有足够的计算机能力来处理根据生物原理工作的更复杂的网络。

顺便说一下，这里有一个关于自学相机的有趣视频。一旦向它展示了一张脸，该相机就会学会在不同的距离和角度识别人脸。由一个捷克斯洛伐克的学生创建，后来他成立了自己的公司。

https://www.youtube.com/watch?v=1GhNXHCQGsM

 
grell: 可以完全不对输入或中间信号进行归一化处理，直到信号通过所有层，其电平将刚刚上升到所需的范围，+/-，输出将被归一化。它是这样的。

不进行规范化处理是提供数据的最佳方式，当然，如果有可能的话。信号的所有信息性都得到了保留。没有失真。
 
alsu: 问题是，不同的输入可以有不同的尺度。

与其通过规范化来扭曲信息，还不如与尺度搏斗--有更好的机会保留信息。
 
alsu: 我的看法是，NS不喜欢不稳定的情况
好吧，谁喜欢非平稳性？任何算法，即使是最复杂的算法，在输入信号的特性发生变化时也会失败。任何算法。奇迹不会发生 ))))
 
solar:
这是我第二次问--网络在哪里实时运行？

问题是，NS本身是一个具有未知系数的一定的计算序列，要在学习过程中确定。这项任务在数学上被称为回归问题（其特殊情况是分类和聚类）。它可以由绝对不同的算法来执行，每一种算法都有其属性和特殊性，优势和劣势。经典NS的优点是，它可以在没有关于物体的先验数据的情况下工作。

例如，我们教一个网络识别从0到9的数字图像，给它看图片并教它正确的答案。如果我们没有在网络的结构中指定数字将具有这样的特定大小、颜色等，它就必须根据输入的数据进行自我调整。而且，事实上，它确实是这样的--但是!- 缓慢，而这正是NS的缺点。如果最初显示在网格上的1000个数字是白底黑字，然后我们开始显示黑底白字（将非平稳性带入输入线），那么网格应该被重新训练。

但是，如果我们事先向网络解释，一幅图可以被颠倒过来（即我们描述了非平稳性，并将其放入NS结构中，例如，告诉它-N输出的未知信号应该被解释为+N），那么网络就不会在这种类型的非平稳性上感到困惑。但它会在另一个人身上垮掉。然而，该网络已经与所有其他算法有了这个共同点：它们在那些非静态的、由人类放入系统中的非静态数据上工作得最好。

但也有不同之处：例如，在最佳控制理论中描述的许多跟踪输入信号参数的算法，可以跟踪比它先验规定的更广泛的一类非静态，自然有一些限制。可惜的是，NS不能这样做。也许NS的唯一选择是准静态系统，即参数浮动的特征时间不小于神经网络训练的时间。

因此，为了回答这个问题：网络主要在不可能或很难先验地定义输入信号模型的任务中工作：识别任务、语义分析（文本、声音、图像......）、认知（解决验证码）及其组合。但复杂的任务需要一个巨大的（字面意思）和复杂的网络，比如这个（顺便说一下，这个是目前技术的极限，看看吧）。

 
LeoV:
好吧，谁喜欢非平稳性？任何算法，即使是最复杂的算法，在输入信号的特性发生变化时也会失败。任何算法。没有奇迹 ))))


同样，如果我们事先知道非平稳性的性质，我们可以把它放入算法中，通过检测这种非常的非平稳性，快速调整控制器的参数。
1234567891011121314...41
新评论