Вопрос такого плана. Если сигнал зануляется . чисто технически он же идет просто уже имеет значение 0, там же нету такого что функция возвращает none и дальше перестает работать.
Здесь надо внимательно, у меня как то был случай, ReLU, в выходном слое глючила. Обычно я использую Linear. А если значения правильных ответов, нормализованны в диапазон (-2...2), (0...2) или (0...1), то можно и sigmoid использовать, у меня в этом случае, работало лучше@@machine_learrrning
Добрый день! Да, конечно, лучше использовать softmax, когда мультиклассовая классификация, про это отдельное занятие сделаю Сейчас с сигмоидой может возникнуть такая ситуация, что и у ботинка вероятность 0.9 и у кофты вероятность 0.9, с софтмаксом такого не будет, будет только один класс с максимальной вероятностью (а по всем 10 классам сумма вероятностей будет 1) Но ohe в любом случае можно делать, неважно это 2 класса или 10
class_names это что? Переменная? Если да, то мы туда просто список запихали? Каким образом мы пометили целевые значения? Если это pandas data frame, то могу предположить, что class_names это название колонки. Если так, то почему это не показать? Без этой информации невозможно понять материал! Практически во всех подобных "учебных" недо-материалах перешагивают через важную информацию, получается как шпаргалка для самого себя, а не как обучающий материал. Очень плохо.
В этом ролике нет цели познакомить смотрящих с разметкой данных (выставление меток для изображений), в этом видео смотрим на функции активации. А разметка данных - это целое искусство, конкретно в этой задаче class_names - это метки классов изображений, но как они получаются? А изначально у вас были изображения с кофтами, штанами, ботинками и так далее, из этой каши нужно получить папку только с кофтами, папку только с ботинками и папку только со штанами, это делается путем просмотра картинок и перекидывания их в нужные папки, а потом эти папки для удобства именуются [1, 2, 3], но чтобы мы понимали, что это за классы, мы для себя составляем список ['кофта', 'штаны', 'ботинки'] так же подобная информация есть и в документации keras keras.io/api/datasets/fashion_mnist/
@@machine_learrrningу вас в предыдущем видео об этом было? Если нет, то для чего это все? Как обучающие эти видео не годятся, вместо них можно было просто ссылку на документацию keras на экране написать и так сойдет.
Автор сего комментария наверное снял супер-видео, в котором нет ни единой ошибки. Прежде чем критиковать других, покажите на своём примере, как это сделать.
Приятно слушать. Хорошая ведущая
Очень приятно это читать 😊
суперское видео
Отличный разбор, спасибо! Поздравляю с 2 тысячами подписчиков!
Рада, что разбор понравился!
Спасибо за поздравления 😊
Cпасибо большое
вааааай спасибо 😻
всегда пожалуйста :)
Спасибо. А про метод активации swish у вас что-то есть?
Очень интересно рассказываете. Когда будут новые уроки?
Заметил что в производной от тангенса пропустили одну скобку в коде. Поэтому график для неё должен до 1 возрастать.
Вопрос такого плана. Если сигнал зануляется . чисто технически он же идет просто уже имеет значение 0, там же нету такого что функция возвращает none и дальше перестает работать.
Да, всё верно, сигнал 0 идет дальше, но при подсчете ошибки или же подсчете градиента может появляться nan
Здравствуйте! Подскажите, пожалуйста, какую функцию активации лучше всего использовать для задачи регрессии
Для выходного слоя лучше использовать ReLU (если нет отрицательных значений в целевом признаке) или же Linear
Здесь надо внимательно, у меня как то был случай, ReLU, в выходном слое глючила. Обычно я использую Linear. А если значения правильных ответов, нормализованны в диапазон (-2...2), (0...2) или (0...1), то можно и sigmoid использовать, у меня в этом случае, работало лучше@@machine_learrrning
Добрый день! Имеет ли больший смысл на выходе сети ставить softmax? Классов 10 + мы делаем ohe через to_categorical…
Добрый день!
Да, конечно, лучше использовать softmax, когда мультиклассовая классификация, про это отдельное занятие сделаю
Сейчас с сигмоидой может возникнуть такая ситуация, что и у ботинка вероятность 0.9 и у кофты вероятность 0.9, с софтмаксом такого не будет, будет только один класс с максимальной вероятностью (а по всем 10 классам сумма вероятностей будет 1)
Но ohe в любом случае можно делать, неважно это 2 класса или 10
@@machine_learrrning спасибо
- \inf это не очень маленький. Это бесконечно отрицательный.
притом если уменьшить количество слоев где про сигмоиду описывают, то обучаются все три слоя)). ИНтересно почему
class_names это что? Переменная? Если да, то мы туда просто список запихали? Каким образом мы пометили целевые значения? Если это pandas data frame, то могу предположить, что class_names это название колонки. Если так, то почему это не показать? Без этой информации невозможно понять материал!
Практически во всех подобных "учебных" недо-материалах перешагивают через важную информацию, получается как шпаргалка для самого себя, а не как обучающий материал. Очень плохо.
В этом ролике нет цели познакомить смотрящих с разметкой данных (выставление меток для изображений), в этом видео смотрим на функции активации.
А разметка данных - это целое искусство, конкретно в этой задаче class_names - это метки классов изображений, но как они получаются? А изначально у вас были изображения с кофтами, штанами, ботинками и так далее, из этой каши нужно получить папку только с кофтами, папку только с ботинками и папку только со штанами, это делается путем просмотра картинок и перекидывания их в нужные папки, а потом эти папки для удобства именуются [1, 2, 3], но чтобы мы понимали, что это за классы, мы для себя составляем список ['кофта', 'штаны', 'ботинки']
так же подобная информация есть и в документации keras keras.io/api/datasets/fashion_mnist/
@@machine_learrrningу вас в предыдущем видео об этом было? Если нет, то для чего это все? Как обучающие эти видео не годятся, вместо них можно было просто ссылку на документацию keras на экране написать и так сойдет.
@@alexwhite252 Если не нравится не смотри, нахрен нам здесь твоё мнение
@@Kerico-o9b пшнх.
Автор сего комментария наверное снял супер-видео, в котором нет ни единой ошибки. Прежде чем критиковать других, покажите на своём примере, как это сделать.