पाठ्यक्रम 246 में से पाठ 183 · Module 17: शोर अंदर, तस्वीरें बाहर (diffusion)
Module 17: शोर अंदर, तस्वीरें बाहर (diffusion)

data तक वापस तीर (इसे देखें)

यह क्यों मायने रखता है शोर हटाना जादू जैसा लगता है जब तक आप न देखें कि network असल में क्या सीखता है: किसी भी शोर भरे बिंदु के लिए, एक तीर जो वहाँ इशारा करता है जहाँ साफ़ data शायद था। बनाना उन तीरों के पीछे घर जाना है।

network को जोड़े गए शोर eps का अनुमान लगाने के लिए train किया जाता है। shortcut को उलटें और उसका अनुमान साफ़ बिंदु का एक अनुमान बन जाता है:

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

हर शोर भरे बिंदु से उसके x0 अनुमान तक एक तीर बनाएँ और आपको तीरों का एक क्षेत्र मिलता है। दृश्य देखें: बिंदुओं का वही grid, एक बहुत शोर भरे step पर और एक लगभग साफ़ step पर।

पहले अनुमान लगाएँ: किस step पर तीर एक-दूसरे से ज़्यादा सहमत होते हैं, सब मोटे तौर पर एक ही जगह इशारा करते हुए: step 60 (बहुत शोर भरा) या step 10 (लगभग साफ़)?

इस पाठ के शब्द और चिह्न
abar
कुछ steps के बाद बचा मूल signal का हिस्सा (उसका square root x0 को गुणा करता है)
x0, x_t
साफ़ data, और t steps के शोर के बाद वही data
eps
जोड़ा गया घंटी-वक्र शोर; network इसका अनुमान लगाना सीखता है
आपकी बारी

my_guess को 60 या 10 पर सेट करें। एक model train करें (difflab.train('spiral'), कुछ seconds), फिर 11 x 11 grid के लिए step 60 और step 10 पर x0 अनुमान निकालें। दोनों steps के लिए spread (अनुमानों का फैलाव, est.std(axis=0).mean()) और near (सर्पिल तक उनकी औसत दूरी, difflab.nearest_distance(est).mean()) भरें। फिर agree_more को उस step (60 या 10) पर सेट करें जहाँ आपकी संख्याएँ दिखाती हैं कि अनुमान ज़्यादा सहमत हैं। आपका अनुमान वैसा ही रहता है जैसा आपने लगाया।

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।