Setas de volta para os dados (Veja isso)
Por que isso importa Remover ruído parece mágica até você ver o que a rede realmente aprende: para qualquer ponto ruidoso, uma seta apontando para onde os dados limpos provavelmente estavam. A geração é seguir essas setas até em casa.
A rede é treinada para prever o ruído eps que foi adicionado. Inverta o atalho e o palpite dela se torna um palpite do ponto limpo:
x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)
Desenhe uma seta de cada ponto ruidoso para sua estimativa x0 e você terá um campo de setas. Observe a cena: a mesma grade de pontos, em um passo muito ruidoso e em um passo quase limpo.
Preveja primeiro: em qual passo as setas concordam mais entre si, todas apontando para quase o mesmo lugar: passo 60 (muito ruidoso) ou passo 10 (quase limpo)?
Palavras e símbolos nesta lição
- abar
- a parte do sinal original que sobra após uma série de passos (sua raiz quadrada multiplica x0)
- x0, x_t
- os dados limpos, e os mesmos dados após t passos de ruído
- eps
- o ruído de curva de sino que foi adicionado; a rede aprende a prevê-lo
Defina my_guess como 60 ou 10. Treine um modelo (difflab.train('spiral'), alguns segundos), depois para a grade 11 x 11 calcule as estimativas x0 no passo 60 e no passo 10. Preencha spread (a dispersão das estimativas, est.std(axis=0).mean()) e near (sua distância média para a espiral, difflab.nearest_distance(est).mean()) para ambos os passos. Depois defina agree_more para o passo (60 ou 10) onde seus números mostram que as estimativas concordam mais. Seu palpite permanece como você fez.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.