سرفصل‌ها درس 187 از 246 · ماژول 17: نویز وارد، تصویر خارج (انتشار)
ماژول 17: نویز وارد، تصویر خارج (انتشار)

گفتن اینکه مدل در کدام گام است

چرا مهم است همان نقطهٔ پرنویز در گام 5 تصحیح کوچکی و در گام 90 تصحیح بزرگی لازم دارد. شبکه‌ای که گام به آن گفته نمی‌شود باید آن را فقط از روی نقطه حدس بزند. اینکه چگونه به آن بگویید یک انتخاب طراحی است، و انتخاب معروف همیشه بهترین نیست.

سه راه (difflab.time_input):

  • none: شبکه فقط نقطه را می‌بیند.
  • raw: یک عدد اضافه، t / T.
  • sine: 8 سینوس و 8 کسینوس از t / T در بسامدهایی از 1 تا 100، تعبیه‌ای که ترنسفورمرها برای جایگاه‌ها به کار می‌برند. مدل‌های تصویری بزرگ از آن استفاده می‌کنند، چون بسامدهای بسیار به یک شبکهٔ عمیق اجازه می‌دهند به تغییرهای کوچک در t واکنش تند نشان دهد.

اجراهای ثبت‌شده هر کدام را روی مارپیچ، با 3 بذر، آموزش می‌دهند. آن‌ها را با قاعدهٔ ماژول 9 مقایسه کنید: یک تنظیم وقتی از دیگری بهتر است که میانگین امتیاز روی‌شکلش دست‌کم 0.1 بالاتر باشد و روی هر بذر (3 از 3) بالاتر باشد.

واژه‌ها و نمادهای این درس
روی شکل، پوشش
داور دوبعدی: سهم نمونه‌هایی که نزدیک شکل واقعی‌اند، و سهمی از شکل که نمونه‌ای نزدیکش هست
نوبت شما

sine_time(t, T) را بنویسید که برای هر گام 16 عدد برمی‌گرداند (اول سینوس‌ها، سپس کسینوس‌ها، با بسامدهای np.exp(np.linspace(0, np.log(100), 8))). سپس beats(a, b) را برای دو نام تنظیم ثبت‌شده بنویسید و verdicts را برای raw در برابر none، sine در برابر none و sine در برابر raw پر کنید.

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.