Нейронная сеть 0 по сравнению с-1
Я видел несколько раз людей, использующих -1 в противоположность 0 при работе с нейронными сетями для входных данных. Как это лучше, и действительно ли это производит какую-либо математику для реализации его?
Править: Используя feedforward и заднюю опору
Редактирование 2: Я дал ему движение, но сеть прекратила учиться, таким образом, я предполагаю, что математика должна была бы измениться где-нибудь?
Редактирование 3: Наконец найденный ответом. Математика для двоичного файла отличается от биполярного. См. мой ответ ниже.
3 ответа
Недавно было обнаружено, что формула сигмовидной и сигмовидной производных должна быть изменена при использовании биполярного над бинарным.
Биполярная сигмоидальная функция: f (x) = -1 + 2 / (1 + e ^ -x)
Биполярная производная сигмовидной кишки: f '(x) = 0,5 * (1 + f (x)) * (1 - f (x))
Сеть быстро учится с использованием входов -1/1 по сравнению с 0/1. Кроме того, если вы используете входы -1/1, 0 означает «неизвестный вход / шум / не имеет значения». Я бы использовал -1/1 в качестве ввода моей нейронной сети.
Итерация более эффективна, чем Рекурсия, верно?
Необязательно. Эта концепция исходит из многих C-подобных языков, где вызов функции, рекурсивной или нет, имел большие накладные расходы и создавал новый стековый кадр для каждого вызова.
Для многих языков это не так, и рекурсия одинаково или более эффективна, чем итеративная версия. В настоящее время даже некоторые компиляторы C переписывают некоторые рекурсивные конструкции в итеративную версию или повторно используют кадр стека для последнего рекурсивного вызова.
-121--942457-вы можете использовать динамический sql
delimiter //;
create procedure tst()
begin
prepare stmp from 'INSERT INTO LOGG SELECT PFILE_Filename FROM PFILE_FILE';
execute stmp;
deallocate prepare stmp;
end//
delimiter ;//
вы должны сделать что-то подобное
у вас есть часть sql-запроса
SELECT * FROM mytable WHERE parametertype IN( Это было долгое время, но, как я помню, это не влияет на математику, необходимую для реализации сети (предполагая, что вы не работаете с типом сети, который по какой-то причине ограничивает любую часть процесса неотрицательными значениями). Одно из преимуществ состоит в том, что оно делает большее различие между входами и помогает усилить обучающий сигнал. Аналогично для выходных данных.
Кто-то, кто сделал это в последнее время, вероятно, имеет больше, чтобы сказать (как о том, имеет ли 0-пересечение значение; Думаю, так и есть). И в действительности некоторые из них зависят от того, какой тип нейронной сети вы используете. Я предполагаю, что вы говорите о поддержке или ее варианте.