Kurrikulum Leson 183 van 246 · Module 17: Ruis in, prente uit (diffusion)
Module 17: Ruis in, prente uit (diffusion)

Pyle terug na die data (Sien dit)

Hoekom dit saak maak Om geraas te verwyder klink soos towerkuns totdat jy sien wat die netwerk werklik leer: vir enige raserige punt, 'n pyl wat wys na waar die skoon data waarskynlik was. Generasie volg daie pyle huis toe.

Die netwerk word opgelei om die geraas eps wat bygevoeg is te voorspel. Dra die kortpad om en sy raai word 'n raai van die skoon punt:

x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)

Teken 'n pyl van elke raserige punt na sy x0-skatting en jy kry 'n veld van pyle. Kyk na die toneel: dieselfde rooster van punte, by 'n baie raserige stap en by 'n byna skoon stap.

Voorspel eerste: by watter stap stem die arrows meer met mekaar ooreen, al wat by ongeveer dieselfde plek wys: stap 60 (baie geraasig) of stap 10 ( amper skoon)?

Woorde en simbole in hierdie les
abar
die deel van die oorspronklike sein wat oorbly na 'n aantal stappe (sy vierkantswortel vermenigvuldig x0)
x0, x_t
die skoon data, en dieselfde data na t stappe van geraas
eps
die klokkurwe-geraas wat bygevoeg is; die netwerk leer om dit te voorspel
Jou beurt

Stel my_guess in op 60 of 10. Graai 'n model (difflab.train('spiral'), 'n paar sekondes), dan bereken jy vir die 11 x 11 rooster die x0 skattingen by stap 60 en by stap 10. Vul spread (die spreiding van die skattingen, est.std(axis=0).mean()) en near (hul gemiddelde afstand tot die spiraal, difflab.nearest_distance(est).mean()) vir beide stappe in. Stel dan agree_more in op die stap (60 of 10) waar jou syfers wys dat die skattingen meer ooreenstem. Jou raai bly soos jy dit gemaak het.

Sien jy 'n probleem in hierdie les? Rapporteer dit · Vra oor hierdie les

Hierdie oefening open binnekort

Voltooi die lesie voor dit en hierdie een sal ontvanklik wees. Die hele kursus is gratis, geen rekening nodig nie, en jy kan hierdie les nou lees.