Dizendo ao modelo em qual passo ele está
Por que isso importa O mesmo ponto ruidoso precisa de uma pequena correção no passo 5 e de uma grande no passo 90. Uma rede que não é informada sobre o passo precisa adivinhar apenas pelo ponto. Como você informa isso é uma escolha de design, e a escolha famosa nem sempre é a melhor.
Três maneiras (difflab.time_input):
- none: a rede vê apenas o ponto.
- raw: um número extra, t / T.
- sine: 8 sines e 8 cossenos de t / T em frequências de 1 a 100, que os embedding transformers usam para posições. Modelos de imagem grandes usam isso, porque muitas frequências permitem que uma rede profunda reaja nitidamente a pequenas mudanças em t.
As execuções gravadas treinam cada uma na espiral, 3 seeds. Compare elas com a regra do Módulo 9: uma configuração vence outra quando sua média de score na forma é pelo menos 0.1 maior E é maior em cada seed (3 de 3).
Palavras e símbolos nesta lição
- on shape, coverage
- o juiz 2D: proporção de amostras perto da forma real, e proporção da forma com uma amostra perto dela
Escreva sine_time(t, T) retornando os 16 números por passo (senos primeiro, depois cossenos, frequências np.exp(np.linspace(0, np.log(100), 8))). Depois escreva beats(a, b) para dois nomes de configurações registrados, e preencha verdicts para raw vs none, sine vs none e sine vs raw.
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.