Каков Ваш опыт с NetAdvantage или DXperience?

Question

Каков Ваш опыт с NetAdvantage или DXperience?

Я непрофессионал, поэтому я помогу вам с терминами непрофессионала:)

input_size = 784
hidden_sizes = [128, 64]
output_size = 10

Это параметры для слоев в вашей сети. Каждая нейронная сеть состоит из layers, и каждый layer имеет форму входа и выхода.

В частности, input_size имеет дело с формой ввода первого слоя. Это input_size всей сети. Каждый образец, который вводится в сеть, будет 1-мерным вектором длиной 784 (массив длиной 784).

hidden_size имеет дело с формами внутри сети. Мы расскажем об этом чуть позже.

output_size имеет дело с выходной формой последнего слоя. Это означает, что наша сеть будет выводить одномерный вектор длиной 10 для каждого образца.

Теперь, чтобы разбить определение модели построчно:

model = nn.Sequential(nn.Linear(input_size, hidden_sizes[0]),

Часть nn.Sequential просто определяет сеть, каждый входной аргумент определяет новый слой в этой сети в этом порядке. [1134 ]

nn.Linear(input_size, hidden_sizes[0]) является примером такого слоя. Это первый слой нашей сети, который принимает входные данные размером input_size и выводит вектор размером hidden_sizes[0]. Размер вывода считается «скрытым» в том смысле, что он не является входом или выходом всей сети. Он «скрыт», потому что он расположен внутри сети вдали от входных и выходных концов сети, с которой вы взаимодействуете, когда фактически используете ее.

Это называется Linear, потому что оно применяет линейное преобразование путем умножения входных данных на его матрицу весов и добавления своей матрицы смещения к результату. (Y = Ax + b, Y = выход, x = вход, A = вес, b = смещение).

nn.ReLU(),

ReLU является примером функции активации. Эта функция применяет какое-то преобразование к выходному сигналу последнего уровня (уровня, описанного выше) и выводит результат этого преобразования. В этом случае используемой функцией является функция ReLU, которая определяется как ReLU(x) = max(x, 0). Функции активации используются в нейронных сетях, потому что они создают нелинейности. Это позволяет вашей модели моделировать нелинейные отношения.

nn.Linear(hidden_sizes[0], hidden_sizes[1]),

Из того, что мы обсуждали выше, это еще один пример layer. Он принимает входной сигнал hidden_sizes[0] (такой же формы, что и выходной сигнал последнего слоя) и выдает одномерный вектор длины hidden_sizes[1].

nn.ReLU(),

Снова применяет функцию ReLU.

nn.Linear(hidden_sizes[1], output_size)

То же, что и вышеупомянутые два слоя, но наша выходная форма на этот раз - output_size.

nn.Softmax(dim=1))

Еще одна функция активации. Эта функция активации превращает логиты, выведенные с помощью nn.Linear, в фактическое распределение вероятностей. Это позволяет модели выводить вероятность для каждого класса. На данный момент наша модель построена.

# Forward pass through the network and display output
images, labels = next(iter(trainloader))
images.resize_(images.shape[0], 1, 784)
print(images.shape)

Это просто предварительная обработка обучающих данных и перевод их в правильный формат.

ps = model.forward(images[0,:])

Это позволяет передавать изображения через модель (прямая передача) и применять операции, ранее обсуждавшиеся в слое. Вы получите результирующий вывод.

5

netadvantage dxperience infragistics winforms

задан Community 23 May 2017 в 12:01

7 ответов

Я - парень asp, и я использовал devexpress, когда я заключал контракт. Любой комплект имеет свой собственный набор глюков, которые необходимо изучить, но в целом я был рад. Мой текущий работодатель использует telerik, и я оглядываюсь назад на свое время с aspxperience как яркое время.

Я действительно тратил свои собственные деньги на их материал, и я думаю, что это был хороший выбор. Одна только их сетка серьезно помогла мне получить контракты.

2