Как устроена нейросеть. Многослойный перцептрон. Нейросети 01

[@zoodogood]

Очень классное видео, Спасибо вам! Слишком много материала, кто-то использует матрицы, кто-то нет и происходит путаница из-за которой я месяцами не понимал что надо делать, удачи и всего доброго, надеюсь на этом канале будут продолжать выходить видео по нейросетям

[@endlessvd]

Спасибо за видео, сам сделал перцептрон с произвольным размером слоев и их количеством внутри на С++. Правда проигрался и дальше забросил проект

[@ilyabiryukov4811]

этот ролик на 25 минут > чем курс универа

[@edgull_tlt]

Спасибо

[@TheMixer91]

Привет, сделай ссылку на следующее видео про генетический алгоритм

[@fourZerglings]

Новое видео про генетический алгоритм: kzbin.info/www/bejne/bHnMd2mqmMmmgpI

[@randomra1880]

А где проходит корректирование весов?

[@MairanYT]

А зачем нужна нормализация или инверсия? Просто я вот делал нейронную сеть с овцами и там расстояние и количество объектов так и указывалось: 1, 2, 50, 40, 33 И всё работало нормально

[@fourZerglings]

По моему опыту, нейросети работают лучше всего, когда их веса живут в диапазоне от -1 до +1. Если их не ограничивать, они во время обучения начинают неконтролируемо расти и улетают в бесконечность. Я это в шутку называю «нейросеть взрывается». Есть современные техники, которые борются с этим - Batch Normalization, Layer Normalization. Они измеряют параметры нейросети и сдвигают и масштабируют веса так, чтобы их среднее было 0, а дисперсия 1. Если вы собирали сеть из готовых модулей, подозреваю, что в них уже была встроена нормализация.

[@MairanYT]

@@fourZerglings про величалые весы я знаю, и мысль таким способом регулировать довольно хорошая. Но в видосе же речь про нормализацию входных данных

[@fourZerglings]

Если у узла умножения два входа (x, y), его градиенты умножаются на (y, x). Если один из входов был не нормализован, то он будет влиять на обучение другого входа. То есть из-за не нормированных входов портиться будет вес нейросети. Поэтому нормализовать надо всё.

[@bender__ssbender__ss1199]

Здравствуйте ! Спасибо за ваши труды ! Подскажите как сохранить и заново использовать уже обученную нейросеть? Вопрос в лоб у гугла не дал результатов((

[@fourZerglings]

Зависит от того, какой библиотекой пользуетесь Keras: machinelearningmastery.com/save-load-keras-deep-learning-models/ Tensorflow: www.tensorflow.org/tutorials/keras/save_and_load

[@endlessvd]

​@@fourZerglingseigen c++))

[@endlessvd]

Довольно хорошая штука, если надо маленькую нейросеть обучать быстро и очень много раз, сотни тысяч)

[@Wilrav314]

Скора выйдет видио про обучение

[@usergnusmas6879]

Я бы убрал стены, было бы проще и обзор, у змейки, сделал бы на все поле.

[@user20213A]

А где ты всему этому научился?

[@necrof5127]

чел на Википедии есть описание алгоритмов нейросети, там и научиться можно

[@happypie4859]

Можно код пожалуйста

[@fourZerglings]

github.com/jaros3/nn01snake

[@happypie4859]

@@fourZerglings спасибо

[@jurybounackoff3025]

4zerglings is perfect)

[@_Danifox_]

сделай шапку

[@fourZerglings]

Что за шапку?

[@_Danifox_]

зайти на мой канал и в самом верху картинка это шапка

[@freeshooter3163]

Привет. Нужно реализовать сеть для частотного распознавания ЗЧ, взамен фурье. или хартли (работают неудовлетворительно) для одного электронного устройства на ARM/Cortex . Не могу выбрать тип сети и методику обучения. С программированием и электроникой дружу с детства, сам программист-конструктор. Есть идеи ? [e-mail]

[@ogurecsoleni]

что