When MLP has too many neurons in th

When MLP has too many neurons in the hidden layer, some of them have output weights near zero, meaning that they are not important in the forming of the fitted curve. Therefore, regularization can be seen as a neuron selection method: we need not determine the exact number of hidden neurons, regularization will do it for us. The resulting network has good generalization properties. Thus, we believe that MLP trained on the training set will operate well for the test data. In our models we used five neurons and 100 training epochs.

ผลลัพธ์ (ไทย) 1:

เมื่อ MLP มีมากเกินไปเซลล์ประสาทในชั้นซ่อน บางส่วนของพวกเขาได้แสดงผลน้ำหนักใกล้ศูนย์ ซึ่งหมายความ ว่า จะไม่สำคัญในรูปของโค้งพอดี ดังนั้น regularization สามารถมองเห็นเป็นวิธีการเลือกเซลล์ประสาท: เราไม่จำเป็นต้องกำหนดจำนวนที่แน่นอนของเซลล์ประสาทที่ซ่อนอยู่ regularization จะทำเพื่อเราได้ ส่งผลให้เครือข่ายมีคุณสมบัติลักษณะทั่วไปดี ดังนั้น เราเชื่อว่า MLP ชุดฝึกอบรมการฝึกอบรมจะทำงานได้ดีสำหรับข้อมูลการทดสอบ ในรุ่นของเรา เราใช้เซลล์ประสาทและการฝึกอบรม 100 epochs ห้า

ผลลัพธ์ (ไทย) 2:

เมื่อ MLP มีเซลล์ประสาทมากเกินไปในชั้นซ่อนไว้บางส่วนของพวกเขามีน้ำหนักผลผลิตใกล้ศูนย์หมายความว่าพวกเขาไม่ได้มีความสำคัญในการขึ้นรูปของเส้นโค้งพอดี ดังนั้นกูสามารถมองเห็นเป็นวิธีการเลือกเซลล์ประสาท A: เราไม่จำเป็นต้องกำหนดจำนวนที่แน่นอนของเซลล์ประสาทที่ซ่อนกูจะทำเพื่อเรา ส่งผลให้เครือข่ายมีคุณสมบัติทั่วไปดี ดังนั้นเราจึงเชื่อว่า MLP ฝึกอบรมเกี่ยวกับการฝึกอบรมชุดจะทำงานได้ดีสำหรับข้อมูลการทดสอบ ในรูปแบบของเราที่เราใช้ห้าเซลล์ประสาทและ 100 epochs การฝึกอบรม

ผลลัพธ์ (ไทย) 3:

เมื่อ MLP มีเซลล์ประสาทมากมายในชั้นซ่อน บางส่วนของพวกเขาได้ผลผลิตน้ำหนักใกล้ศูนย์ ซึ่งหมายความ ว่า พวกเขาจะไม่สําคัญในรูปของเข็มขัดโค้ง ดังนั้น ผิดกฎหมายสามารถมองเห็นเป็นวิธีคัดเลือกเซลล์ประสาท : เราไม่ต้องกำหนดจำนวนที่แน่นอนของ neurons ที่ซ่อนผิดกฎหมายจะทำเพื่อเรา เกิดเครือข่ายมีคุณสมบัติทั่วไปดี เราเชื่อว่า MLP ได้ฝึกชุดฝึกอบรมจะทำงานได้ดีสำหรับข้อมูลทดสอบ ในรุ่นของเรา เราใช้ 5 กลุ่ม 100 epochs และการฝึกอบรม