データへ戻る矢印(見てみる)
なぜ大切か ノイズを取り除くことは、ネットワークが実際に何を学ぶかを見るまでは魔法のように聞こえます:どんなノイズの点にも、きれいなデータがおそらくあった場所を指す矢印。生成とは、その矢印をたどって家に帰ることです。
ネットワークは、足されたノイズ eps を予測するよう訓練されます。近道を逆にすると、その推測はきれいな点の推測になります:
x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)
それぞれのノイズの点からその x0 の推定へ矢印を描くと、矢印の場ができます。場面を見てください:同じ点の格子を、とてもノイズの多い歩みと、ほぼきれいな歩みで。
まず予測してください:どちらの歩みで矢印が互いにより一致し、すべてがおよそ同じ場所を指すか:歩み 60(とてもノイズが多い)か歩み 10(ほぼきれい)か?
このレッスンの言葉と記号
- abar
- いくつかの歩みのあとに残る元の信号の割合(その平方根が x0 に掛かる)
- x0、x_t
- きれいなデータと、t 歩のノイズのあとの同じデータ
- eps
- 足された釣鐘曲線のノイズ。ネットワークはそれを予測することを学ぶ
my_guess を 60 か 10 に設定してください。モデルを訓練し(difflab.train('spiral')、数秒)、それから 11 x 11 の格子について、歩み 60 と歩み 10 での x0 の推定を計算します。両方の歩みについて spread(推定の広がり、est.std(axis=0).mean())と near(渦巻きへのその平均の距離、difflab.nearest_distance(est).mean())を埋めてください。それから agree_more を、あなたの数が推定がより一致すると示す歩み(60 か 10)に設定します。予想は作ったままにとどまります。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。