Recapping, our goal in training a n

Recapping, our goal in training a neural network is to find weights and biases which minimize the quadratic cost function C(w,b)C(w,b). This is a well-posed problem, but it's got a lot of distracting structure as currently posed - the interpretation of ww and bb as weights and biases, the σσ function lurking in the background, the choice of network architecture, MNIST, and so on. It turns out that we can understand a tremendous amount by ignoring most of that structure, and just concentrating on the minimization aspect. So for now we're going to forget all about the specific form of the cost function, the connection to neural networks, and so on. Instead, we're going to imagine that we've simply been given a function of many variables and we want to minimize that function. We're going to develop a technique called gradient descent which can be used to solve such minimization problems. Then we'll come back to the specific function we want to minimize for neural networks.

ผลลัพธ์ (ไทย) 1:

Recapping เป้าหมายของเราในการฝึกอบรมเครือข่ายประสาทคือการ หาน้ำหนักและอคติที่ลดฟังก์ชั่นต้นทุนกำลังสอง C(w,b)C(w,b) เป็นปัญหา posed อย่างดี แต่มีจำนวนมากรบกวนโครงสร้างถูกวางในปัจจุบัน - การตีความของ ww และ bb เป็นน้ำหนัก และอคติ σσซุ่มซ่อนในพื้นหลัง เลือกเครือข่ายสถาปัตยกรรม MNIST ทำงาน และอื่น ๆ มันเปิดออกให้เราสามารถเข้าใจจำนวนมหาศาล โดยละเว้นส่วนที่โครงสร้างใหญ่ และเพียงมุ่งเน้นด้านการลด ดังนั้น สำหรับตอนนี้ เรากำลังจะลืมเกี่ยวกับรูปแบบเฉพาะของฟังก์ชันต้นทุน การเชื่อมต่อกับเครือข่ายประสาท และอื่น ๆ แทน เราจะจินตนาการว่า เราได้เพียงแค่รับฟังก์ชันหลายตัวแปร และการลดการที่ทำงาน เรากำลังจะพัฒนาเทคนิคที่เรียกว่าเชื้อสายไล่ระดับสีซึ่งสามารถใช้เพื่อแก้ปัญหาดังกล่าวลด แล้ว เราจะกลับมางานเฉพาะที่เราต้องการย่อสำหรับเครือข่ายประสาท

ผลลัพธ์ (ไทย) 2:

recapping เป้าหมายของเราในการฝึกอบรมเครือข่ายประสาทคือการหาน้ำหนักและอคติซึ่งลดค่าใช้จ่ายกำลังสองฟังก์ชัน C (w ข) C (W b) นี้เป็นปัญหาที่ดีถูกวาง แต่ก็มีจำนวนมากของโครงสร้างทำให้เสียสมาธิในขณะที่โพสต์ในปัจจุบัน - การตีความของ WW และ BB เป็นน้ำหนักและอคติฟังก์ชั่นσσซุ่มซ่อนในพื้นหลังทางเลือกของสถาปัตยกรรมเครือข่าย MNIST และอื่น ๆ . แต่กลับกลายเป็นว่าเราสามารถเข้าใจจำนวนมากโดยไม่สนใจมากที่สุดของโครงสร้างนั้นและเพียงมุ่งเน้นในด้านการลด ดังนั้นตอนนี้เรากำลังจะลืมทุกอย่างเกี่ยวกับรูปแบบเฉพาะของฟังก์ชั่นค่าใช้จ่ายในการเชื่อมต่อกับเครือข่ายประสาทและอื่น ๆ แต่เรากำลังจะไปคิดว่าเราได้รับเพียงแค่รับฟังก์ชั่นของตัวแปรจำนวนมากและเราต้องการที่จะลดฟังก์ชั่นที่ เรากำลังจะพัฒนาเทคนิคที่เรียกว่าโคตรลาดซึ่งสามารถนำมาใช้ในการแก้ปัญหาดังกล่าวลด แล้วเราจะกลับมาฟังก์ชั่นเฉพาะที่เราต้องการลดสำหรับโครงข่ายประสาทเทียม

ผลลัพธ์ (ไทย) 3:

recapping เป้าหมายของเราในการฝึกอบรมเครือข่ายประสาทเพื่อหาน้ำหนักและอคติ ซึ่งลดต้นทุนกำลังสองฟังก์ชัน C ( W , B ) C ( W , B ) นี้เป็นอย่างดี จึงไม่มีปัญหา แต่มันมีมากเสียสมาธิโครงสร้างเป็นขณะนี้ถูกวาง - การตีความของ WW และ BB เป็นน้ำหนักและอคติ , σσฟังก์ชันซ่อนอยู่ในพื้นหลัง , ทางเลือกของสถาปัตยกรรมเครือข่าย mnist และอื่น ๆ มันกลายเป็นว่า เราสามารถเข้าใจในมหาศาล โดยละเลยมากที่สุดของโครงสร้างนั้น และเพียงมุ่งเน้นการด้าน ตอนนี้เรากำลังจะลืมทั้งหมดเกี่ยวกับรูปแบบเฉพาะของฟังก์ชันต้นทุน การเชื่อมต่อกับโครงข่ายประสาทเทียม และอื่น ๆ แทน , เรากำลังจินตนาการว่าเราเพียงแค่ได้รับฟังก์ชันหลายตัวแปรและเราต้องการลดฟังก์ชันที่ เรากำลังจะพัฒนาเทคนิคที่เรียกว่าเชื้อสายเดียนซึ่งสามารถใช้แก้ไขปัญหาให้น้อยที่สุด เช่น แล้วเราจะกลับมาที่หน้าที่เราต้องการลดเฉพาะสำหรับเครือข่ายประสาท