Sure enough, this improves the resu

Sure enough, this improves the results to 96.5996.59 percent. At least in this case, using more hidden neurons helps us get better results* Of course, to obtain these accuracies I had to make specific choices for the number of epochs of training, the mini-batch size, and the learning rate, ηη. As I mentioned above, these are known as hyper-parameters for our neural network, in order to distinguish them from the parameters (weights and biases) learnt by our learning algorithm. If we choose our hyper-parameters poorly, we can get bad results. Suppose, for example, that we'd chosen the learning rate to be η=0.001η=0.001,
*Reader feedback indicates quite some variation in results for this experiment, and some training runs give results quite a bit worse. Using the techniques introduced in chapter 3 will greatly reduce the variation in performance across different training runs for our networks.

ผลลัพธ์ (ไทย) 1:

พอแน่ใจว่า นี้ปรับปรุงผลลัพธ์ของการ 96.5996.59 เปอร์เซ็นต์ น้อย ในกรณีนี้ โดยใช้เซลล์ประสาทที่ซ่อนอยู่เพิ่มเติมช่วยให้เราได้รับผลลัพธ์ที่ดีกว่า * แน่นอน รับแม่นเหล่านี้ผมจะทำการเลือกเฉพาะหมายเลข epochs ของการฝึกอบรม ชุดมินิขนาด และ อัตราการเรียนรู้ ηη ตามที่ผมกล่าวข้างต้น เหล่านี้จะเรียกว่าไฮเปอร์พารามิเตอร์สำหรับโครงข่ายประสาทของเรา เพื่อให้แตกต่างจากพารามิเตอร์ (น้ำหนักและอคติ) เรียน โดยอัลกอริทึมการเรียนรู้ของเรา ถ้าเราเลือกของเราไฮเปอร์พารามิเตอร์ไม่ดี เราจะได้รับผลไม่ดี สมมติว่า เช่น ที่ เราได้เลือกอัตราการเรียนรู้จะ η = 0.001η = 0.001* อ่านคำติชมบ่งชี้ค่อนข้างบางการเปลี่ยนแปลงในผลสำหรับ experiment นี้ และทำการฝึกอบรมบางให้ผลค่อนข้างแย่ไปนิด โดยใช้เทคนิคที่แนะนำในบทที่ 3 จะช่วยลดการเปลี่ยนแปลงในประสิทธิภาพการทำงานต่าง ๆ ทำการฝึกอบรมแตกต่างกันสำหรับเครือข่ายของเรา

ผลลัพธ์ (ไทย) 2:

พอแน่ใจว่านี้ช่วยเพิ่มผลให้ร้อยละ 96.5996.59 อย่างน้อยในกรณีนี้โดยใช้เซลล์ประสาทที่ซ่อนอยู่มากขึ้นจะช่วยให้เราได้รับผลดี * แน่นอนที่จะได้รับความถูกต้องเหล่านี้ผมต้องทำให้ตัวเลือกที่เฉพาะเจาะจงสำหรับจำนวนของยุคสมัยของการฝึกอบรมขนาดมินิแบทช์และอัตราการเรียนรู้ηη ที่ผมกล่าวถึงข้างต้นเหล่านี้เป็นที่รู้จักกัน Hyper-พารามิเตอร์สำหรับเครือข่ายประสาทของเราเพื่อที่จะแตกต่างจากพวกพารามิเตอร์ (น้ำหนักและอคติ) เรียนรู้จากขั้นตอนวิธีการเรียนรู้ของเรา ถ้าเราเลือก Hyper-พารามิเตอร์ของเราไม่ดีเราจะได้รับผลที่ไม่ดี ตัวอย่างเช่นสมมติว่าเราจะได้รับการแต่งตั้งอัตราการเรียนรู้ที่จะη = 0.001η = 0.001
* อ่านความคิดเห็นบ่งชี้ค่อนข้างเปลี่ยนแปลงบางอย่างในผลการค้นหาสำหรับการทดลองนี้และการฝึกอบรมบางวิ่งให้ผลค่อนข้างเลวร้าย โดยใช้เทคนิคที่นำมาใช้ในบทที่ 3 จะช่วยลดการเปลี่ยนแปลงในการทำงานที่แตกต่างกันทั่วทั้งการฝึกอบรมการทำงานเป็นเครือข่ายของเรา