Стрелки обратно к данным (посмотрите)
Почему это важно Удаление шума кажется магией, пока не увидишь, чему сеть учится на самом деле: для любой зашумлённой точки - стрелке, указывающей, где, вероятно, была чистая точка. Генерация - это следование этим стрелкам домой.
Сеть обучают предсказывать добавленный шум eps. Разверните сокращение, и её догадка станет догадкой о чистой точке:
x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)
Нарисуйте стрелку от каждой зашумлённой точки к её оценке x0, и получится поле стрелок. Смотрите сцену: та же сетка точек на очень шумном шаге и на почти чистом шаге.
Сначала предскажите: на каком шаге стрелки больше согласуются друг с другом, все указывая примерно в одно место: на шаге 60 (очень шумно) или на шаге 10 (почти чисто)?
Слова и символы этого урока
- abar
- доля исходного сигнала, оставшаяся после нескольких шагов (её квадратный корень умножает x0)
- x0, x_t
- чистые данные и те же данные после t шагов шума
- eps
- добавленный колоколообразный шум; сеть учится его предсказывать
Присвойте my_guess значение 60 или 10. Обучите модель (difflab.train('spiral'), несколько секунд), затем для сетки 11 × 11 вычислите оценки x0 на шаге 60 и на шаге 10. Заполните spread (разброс оценок, est.std(axis=0).mean()) и near (их среднее расстояние до спирали, difflab.nearest_distance(est).mean()) для обоих шагов. Затем присвойте agree_more шаг (60 или 10), на котором ваши числа показывают большее согласие оценок. Ваша догадка остаётся такой, какой вы её сделали.
Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке
Это упражнение откроется скоро
Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.