In the previous section we introduc

In the previous section we introduced a model of a Neuron, which computes a dot product
following a non-linearity, and Neural Networks that arrange neurons into layers. Together,
these choices define the new form of the score function, which we have extended from the
simple linear mapping that we have seen in the Linear Classification section. In particular, a
Neural Network performs a sequence of linear mappings with interwoven non-linearities. In
this section we will discuss additional design choices regarding data preprocessing, weight
initialization, and loss functions.

ผลลัพธ์ (ไทย) 1:

ในส่วนก่อนหน้า เราแนะนำแบบจำลองของเซลล์ประสาท ซึ่งคำนวณผลิตภัณฑ์จุดต่อไปนี้ไม่ใช่เชิงเส้น และเครือข่ายประสาท ที่จัดเรียงเซลล์ประสาทในชั้น ร่วมกันตัวเลือกเหล่านี้กำหนดรูปแบบใหม่ของฟังก์ชันคะแนน ซึ่งเราได้ขยายจากการง่าย ๆ เชิงเส้นการแมปที่เราได้เห็นในส่วนเชิงเส้นการจัดประเภท โดยเฉพาะอย่างยิ่งข่ายประสาททำลำดับเชิงเส้นการแม็ปกับทอ linearities ไม่ใช่ ในส่วนนี้เราจะหารือเกี่ยวกับตัวเลือกการออกแบบเพิ่มเติมเกี่ยวกับข้อมูลที่ประมวลผลเบื้องต้น น้ำหนักเริ่มต้น และฟังก์ชั่นการสูญเสีย

ผลลัพธ์ (ไทย) 2:

ในส่วนก่อนหน้านี้เราได้นำเสนอรูปแบบของเซลล์ประสาทซึ่งคำนวณสินค้าที่มีจุด
ต่อไปนี้ที่ไม่เป็นเชิงเส้นและโครงข่ายประสาทที่จัดเป็นชั้นเซลล์ประสาท ร่วมกัน
เลือกเหล่านี้กำหนดรูปแบบใหม่ของฟังก์ชั่นคะแนนที่เราได้ยื่นออกมาจาก
การทำแผนที่เชิงเส้นอย่างง่ายที่เราได้เห็นในส่วนของการจัดจำแนกเชิงเส้น โดยเฉพาะอย่างยิ่ง
เครือข่ายประสาทดำเนินการลำดับของแมปเชิงเส้นที่มีสานไม่ใช่ linearities-A ใน
ส่วนนี้เราจะหารือเกี่ยวกับทางเลือกเพิ่มเติมเกี่ยวกับการออกแบบ preprocessing ข้อมูลน้ำหนัก
เริ่มต้นและฟังก์ชั่นการสูญเสีย

ผลลัพธ์ (ไทย) 3:

ในส่วนก่อนหน้าเราแนะนำรูปแบบของเซลล์ประสาทซึ่งคำนวณผลิตภัณฑ์จุดต่อไปนี้เป็นเชิงเส้นและข่ายงานประสาทที่จัดเข้าชั้น ด้วยกันตัวเลือกเหล่านี้กำหนดรูปแบบใหม่ของฟังก์ชันคะแนน ซึ่งเราได้ขยายจากแผนที่เชิงเส้นอย่างง่ายที่เราได้เห็นในส่วนของการจำแนกเชิงเส้น โดยเฉพาะอย่างยิ่ง ,เครือข่ายประสาท แสดงลำดับของการแมปเส้น interwoven ไม่ linearities . ในในส่วนนี้เราจะหารือเพิ่มเติมเกี่ยวกับตัวเลือกการออกแบบข้อมูล preprocessing , น้ำหนักการเริ่มต้นและฟังก์ชันการสูญเสีย