الأسهم للعودة إلى البيانات (شاهدها)
لماذا هذا مهم إزالة الضجيج تبدو كالسحر حتى ترى ما يتعلمه الشبكة فعليا: لكل نقطة مشوشة، سهم يشير إلى المكان الذي كانت فيه البيانات النظيفة على الأرجح. التوليد هو اتباع تلك الأسهم إلى موطنها.
تم تدريب الشبكة للتنبؤ بالضجيج eps الذي تمت إضافته. قم بعكس الاختصار وسيصبح تخمينها تخمينا للنقطة النظيفة:
x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)
توقع أولا: في أي خطوة تتوافق الأسهم مع بعضها البعض بشكل أكبر، حيث تشير جميعها إلى المكان نفسه تقريبًا: الخطوة 60 (مشوشة جدًا) أو الخطوة 10 (نظيفة تقريبًا)؟
الكلمات والرموز في هذا الدرس
- abar
- حصة الإشارة الأصلية المتبقية بعد عدد من الخطوات (جذرها التربيعي يضرب x0)
- x0، x_t
- البيانات النظيفة، والبيانات نفسها بعد t خطوات من الضجيج
- eps
- ضجيج المنحنى الجرس الذي تمت إضافته؛ تتعلم الشبكة التنبؤ به
اضبط my_guess على 60 أو 10. درّب نموذجاً (difflab.train('spiral')، بضع ثوانٍ)، ثم احسب لشبكة 11 x 11 تقديرات x0 عند الخطوة 60 وعند الخطوة 10. املأ spread (تشتّت التقديرات، est.std(axis=0).mean()) وnear (متوسط بُعدها عن الحلزون، difflab.nearest_distance(est).mean()) لكلتا الخطوتين. ثم اضبط agree_more على الخطوة (60 أو 10) التي تُظهر أرقامك أن التقديرات تتفق فيها أكثر. يبقى تخمينك كما وضعته.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.