Các mũi tên trở về dữ liệu (Xem nó)
Vì sao điều này quan trọng Loại bỏ nhiễu nghe như phép màu cho tới khi bạn thấy mạng thực sự học gì: với bất kỳ điểm nhiễu nào, một mũi tên chỉ về nơi dữ liệu sạch có lẽ đã ở. Việc sinh dữ liệu là đi theo những mũi tên đó về nhà.
Mạng được huấn luyện để dự đoán nhiễu eps đã được thêm vào. Lật ngược lối tắt và phỏng đoán của nó trở thành một phỏng đoán về điểm sạch:
x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)
Vẽ một mũi tên từ mỗi điểm nhiễu tới ước lượng x0 của nó và bạn có một trường mũi tên. Hãy xem cảnh: cùng một lưới điểm, ở một bước rất nhiễu và ở một bước gần như sạch.
Hãy dự đoán trước: ở bước nào các mũi tên đồng ý với nhau nhiều hơn, tất cả chỉ về gần cùng một chỗ: bước 60 (rất nhiễu) hay bước 10 (gần như sạch)?
Từ và ký hiệu trong bài học này
- abar
- phần tín hiệu gốc còn lại sau một số bước (căn bậc hai của nó nhân với x0)
- x0, x_t
- dữ liệu sạch, và cùng dữ liệu đó sau t bước nhiễu
- eps
- nhiễu hình chuông đã được cộng vào; mạng học cách dự đoán nó
Gán my_guess là 60 hoặc 10. Huấn luyện một mô hình (difflab.train('spiral'), vài giây), rồi cho lưới 11 x 11 tính các ước lượng x0 ở bước 60 và ở bước 10. Điền spread (độ phân tán của các ước lượng, est.std(axis=0).mean()) và near (khoảng cách trung bình của chúng tới hình xoắn ốc, difflab.nearest_distance(est).mean()) cho cả hai bước. Rồi gán agree_more là bước (60 hoặc 10) mà các con số của bạn cho thấy các ước lượng đồng ý với nhau hơn. Phỏng đoán của bạn giữ nguyên như bạn đã đưa ra.
Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này
Bài tập này sẽ sớm mở.
Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.
Trình duyệt này đang chặn cookie cho learn.floati.life, nên các bài học bạn đã hoàn thành tại đây không thể mở theo thứ tự. Hãy cho phép cookie cho trang web này và tải lại trang.