Dem Modell sagen, welcher Schritt es ist
Warum das wichtig istDer gleiche verrauschte Punkt braucht eine kleine Korrektur bei Schritt 5 und eine große bei Schritt 90. Ein Netzwerk, dem der Schritt nicht mitgeteilt wird, muss ihn allein aus dem Punkt schätzen. Wie du es ihm sagst, ist eine Designentscheidung, und die berühmte Wahl ist nicht immer die beste.
Drei Wege (difflab.time_input):
- none: das Netzwerk sieht nur den Punkt.
- raw: eine zusätzliche Zahl, t / T.
- sine: 8 Sines und 8 Cosines von t / T bei Frequenzen von 1 bis 100, die Embedding Transformers für Positionen nutzen. Große Bildmodelle nutzen es, weil viele Frequenzen ein tiefes Netzwerk scharf auf kleine Änderungen in t reagieren lassen.
Die aufgezeichneten Durchläufe trainieren jeden auf der Spirale, 3 seeds. Vergleiche sie mit der Regel von Modul 9: eine Einstellung schlägt eine andere, wenn ihr mittlerer On-Shape-Score mindestens 0.1 höher ist UND sie bei jedem seed höher ist (3 von 3).
Wörter und Symbole in dieser Lektion
- on shape, coverage
- der 2D Richter: Anteil der Proben nahe der echten Form und Anteil der Form mit einer Probe nahe ihr
Schreibe sine_time(t, T) und gib die 16 Zahlen pro Schritt zurück (erst Sinus, dann Kosinus, Frequenzen np.exp(np.linspace(0, np.log(100), 8))). Schreibe dann beats(a, b) für zwei aufgezeichnete Einstellungsnamen und fülle verdicts für raw vs none, sine vs none und sine vs raw aus.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.