Sums, means, reshapes और transposes
यह क्यों मायने रखता है एक loss एक जोड़ या औसत है, और layers हर समय reshape और transpose करती हैं। हर एक को एक backward नियम चाहिए, और हर नियम एक line का है।
- sum (एक संख्या तक): हर प्रविष्टि ने ढलान 1 से योगदान दिया, इसलिए हर एक को आता gradient मिलता है। Gradient: input के आकार के ones, गुणा out.grad।
- mean: एक जोड़ गुणा 1/size। इसे sum और multiply से बनाएँ, ताकि इसे अपना कोई नियम न चाहिए।
- reshape: मान बस फिर से जमाए जाते हैं, इसलिए gradient को वापस input के आकार में reshape करें।
- transpose: gradient को वापस transpose करें।
सार संख्याओं को इधर-उधर करना gradient को उसी तरह वापस करता है।
इस पाठ के शब्द और चिह्न
- Tensor
- यहाँ: एक array, उसका gradient, और वे Tensors जिनसे वह आया
- .grad
- इस Tensor के सापेक्ष अंतिम loss का gradient
- unbroadcast
- एक gradient को वापस उस आकार तक जोड़ना जिससे वह खींचा गया था
उनके backward नियमों के साथ sum, mean, reshape और T property लिखें।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।