Zufällige Zahlen, die du wiederholen kannst
Warum das wichtig ist Networks starten mit zufälligen Gewichten und mischen ihre Daten. Wenn du einen Durchlauf nicht exakt wiederholen kannst, kannst du eine echte Verbesserung nicht von Glück unterscheiden.
Computer-Zufallszahlen kommen aus einem Rezept, das bei einem seed beginnt. Gleicher Seed, gleiche Sequenz, jedes Mal.
rng = np.random.default_rng(42)
rng.normal(size=3) # always the same three numbers for seed 42
Seed: die Startzahl für einen Zufallszahlengenerator. Sie zu fixieren macht "zufällige" Ergebnisse wiederholbar.
Später im Kurs wirst du dasselbe Modell mit fünf verschiedenen Seeds trainieren, um zu sehen, wie sehr die Ergebnisse allein durch Zufall schwanken.
Zusammenfassung Erstelle deinen eigenen Generator aus einem Seed und übergib ihn, anstatt dich auf versteckte globale Zufälligkeit zu verlassen.
Wörter und Symbole in dieser Lektion
- array
- a NumPy Block von Zahlen, alle vom gleichen Typ, der Mathe auf jedem Element gleichzeitig macht
- seed
- die Startzahl für einen Zufallsgenerator; derselbe Seed liefert dieselben Zahlen
- mittelwert, Streuung
- der Durchschnitt und etwa wie weit Werte davon entfernt liegen (Standardabweichung)
Schreibe make_data(seed, n), das seinen eigenen Generator aus seed baut und n Zahlen aus einer Normalverteilung (Mittelwert 0, Streuung 1) zurückgibt. Derselbe seed muss identische arrays liefern; verschiedene seeds müssen sich unterscheiden.
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.