سرفصل‌ها درس 13 از 246 · ماژول 1: پایتون برای این دوره
ماژول 1: پایتون برای این دوره

اعداد تصادفی‌ای که می‌توانید تکرار کنید

چرا مهم است شبکه‌ها از وزن‌های تصادفی شروع می‌کنند و داده‌شان را به هم می‌زنند. اگر نتوانید یک اجرا را دقیقاً تکرار کنید، نمی‌توانید یک بهبود واقعی را از شانس تشخیص دهید.

اعداد تصادفی کامپیوتر از دستوری می‌آیند که از یک بذر شروع می‌شود. بذر یکسان، دنبالهٔ یکسان، هر بار.

rng = np.random.default_rng(42)
rng.normal(size=3)   # always the same three numbers for seed 42

بذر (seed): عدد آغازین یک مولد اعداد تصادفی. ثابت کردن آن نتایج «تصادفی» را تکرارپذیر می‌کند.

بعداً در دوره همان مدل را با پنج بذر متفاوت آموزش می‌دهید تا ببینید نتایج فقط به خاطر شانس چقدر نوسان دارند.

خلاصه مولد خودتان را از یک بذر بسازید و آن را دست‌به‌دست کنید، به جای تکیه بر تصادفی بودن سراسری پنهان.

واژه‌ها و نمادهای این درس
آرایه
یک بلوک NumPy از اعداد، همه از یک نوع، که روی همهٔ اقلام با هم ریاضی انجام می‌دهد
بذر (seed)
عدد آغازین یک مولد تصادفی؛ بذر یکسان اعداد یکسان می‌دهد
میانگین، پراکندگی
متوسط، و تقریباً اینکه مقدارها چقدر از آن فاصله دارند (انحراف معیار)
نوبت شما

make_data(seed, n) را بنویسید که مولد خودش را از seed می‌سازد و n عدد از یک توزیع نرمال (میانگین 0، پراکندگی 1) برمی‌گرداند. بذر یکسان باید آرایه‌های یکسان بدهد؛ بذرهای متفاوت باید متفاوت باشند.

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.