سرفصل‌ها درس 183 از 246 · ماژول 17: نویز وارد، تصویر خارج (انتشار)
ماژول 17: نویز وارد، تصویر خارج (انتشار)

پیکان‌ها به سوی داده (آن را ببینید)

چرا مهم است برداشتن نویز شبیه جادو به نظر می‌رسد تا وقتی ببینید شبکه واقعاً چه یاد می‌گیرد: برای هر نقطهٔ پرنویز، پیکانی که به جایی اشاره می‌کند که دادهٔ تمیز احتمالاً بود. تولید یعنی دنبال کردن آن پیکان‌ها تا خانه.

شبکه برای پیش‌بینی نویز eps که اضافه شد آموزش دیده است. میان‌بر را برعکس کنید و حدسش به حدسی از نقطهٔ تمیز تبدیل می‌شود:

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

از هر نقطهٔ پرنویز پیکانی به برآورد x0 آن بکشید و میدانی از پیکان‌ها می‌گیرید. صحنه را تماشا کنید: همان شبکهٔ نقطه‌ها، در گامی بسیار پرنویز و در گامی تقریباً تمیز.

اول پیش‌بینی کنید: در کدام گام پیکان‌ها بیشتر با هم موافق‌اند و همه تقریباً به یک جا اشاره می‌کنند: گام 60 (بسیار پرنویز) یا گام 10 (تقریباً تمیز)؟

واژه‌ها و نمادهای این درس
abar
سهم سیگنال اصلی که پس از تعدادی گام می‌ماند (ریشهٔ دومش در x0 ضرب می‌شود)
x0، x_t
دادهٔ تمیز، و همان داده پس از t گام نویز
eps
نویز زنگوله‌ای که اضافه شد؛ شبکه پیش‌بینی آن را یاد می‌گیرد
نوبت شما

my_guess را برابر 60 یا 10 قرار دهید. یک مدل آموزش دهید (difflab.train('spiral')، چند ثانیه)، سپس برای شبکهٔ 11 x 11 برآوردهای x0 را در گام 60 و در گام 10 محاسبه کنید. spread (پراکندگی برآوردها، est.std(axis=0).mean()) و near (میانگین فاصله‌شان تا مارپیچ، difflab.nearest_distance(est).mean()) را برای هر دو گام پر کنید. سپس agree_more را برابر گامی (60 یا 10) قرار دهید که اعداد شما نشان می‌دهند برآوردها در آن بیشتر موافق‌اند. حدس شما همان‌طور که زدید می‌ماند.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.