Des nombres aléatoires qu'on peut répéter
Pourquoi c'est important Les réseaux partent de poids aléatoires et mélangent leurs données. Si tu ne peux pas répéter une exécution exactement, tu ne peux pas distinguer une vraie amélioration de la chance.
Les nombres aléatoires d'un ordinateur viennent d'une recette qui démarre à une graine. Même graine, même suite, à chaque fois.
rng = np.random.default_rng(42)
rng.normal(size=3) # always the same three numbers for seed 42
Graine : le nombre de départ d'un générateur de nombres aléatoires. La fixer rend des résultats « aléatoires » reproductibles.
Plus tard dans le cours, tu entraîneras le même modèle avec cinq graines différentes pour voir à quel point les résultats varient par le seul hasard.
Récap Crée ton propre générateur à partir d'une graine et transmets-le, au lieu de compter sur un hasard global caché.
Mots et symboles de cette leçon
- tableau
- un bloc NumPy de nombres, tous du même type, qui fait des maths sur chaque élément d'un coup
- graine
- le nombre de départ d'un générateur aléatoire ; la même graine donne les mêmes nombres
- moyenne, dispersion
- la moyenne, et à peu près à quelle distance les valeurs s'en trouvent (écart type)
Écris make_data(seed, n) qui construit son propre générateur à partir de seed et renvoie n nombres tirés d'une loi normale (moyenne 0, dispersion 1). La même graine doit donner des tableaux identiques ; des graines différentes doivent différer.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.