Julkaistu Jätä kommentti

jojonki / Pointer-Networks

Pointer NetworksOriol Vinyals, Meire Fortunato, Navdeep Jaitly.
https://arxiv.org/abs/1506.03134

Pointer Networks on uusi hermostoarkkitehtuuri, jolla opetellaan lähtösekvenssin ehdollinen todennäköisyys, jonka alkuaineet ovat diskreettejä tokeneita, jotka vastaavat syöttösekvenssin kantoja.

tässä repossa laitan kaksi esimerkkiä Osoitinverkkojen malleista.

Sekvenssimallissa

sekvenssimallissa tuotoksen pituus on sama kuin syötön pituus. Lelutehtävä on lajittelutehtävä. Tuotos on panoksen lajiteltu indeksi. Katso seuraava esimerkki.

// An example// Input : // Output: $ python sequence_train.pyepoch: 0, Loss: 0.99817Acc: 0.57% (51/9000)epoch: 2, Loss: 0.00077Acc: 100.00% (9000/9000)epoch: 4, Loss: 0.00032Acc: 99.99% (8999/9000)----Test result---Acc: 100.00% (1000/1000)

Rajamallissa

rajamallissa lähtö on tuplan kaltainen (start_index, end_index). Otin seuraavan rajan lelu tehtävä. Katso tämä sivusto.

kokeillaan jotain koodia leluongelmaan. Osoitinverkot ovat olennaisimpia toistuvaisrikkaille datasekvensseille, joten luomme sellaisen. Oletetaan oletamme meidän syöttötiedot on jono kokonaislukuja välillä 0 ja 10 (mahdolliset kaksoiskappaleet) tuntematon pituus. Jokainen sekvenssi alkaa aina alhainen kokonaislukua (satunnaiset arvot välillä 1-5), on ajaa korkea kokonaislukua (satunnaiset arvot välillä 6-10), sitten kääntyy Alhainen jälleen loppuun (1-5).Esimerkiksi jono voisi olla” 4,1,2,3,1,1,6,9,10,8,6,3,1,1″, jossa suurten kokonaislukujen juoksu lihavoituna ympäröidään matalien kokonaislukujen juoksuilla. Haluamme kouluttaa verkon, joka voi osoittaa nämä kaksi muutospistettä — alussa ja lopussa ajaa huippujen keskellä, riippumatta sekvenssin pituus.

// An example// Input : // Output: $ python boundary_train.pyepoch: 0, Loss: 0.28288accAcc: 98.79% (8891/9000)epoch: 2, Loss: 0.00291accAcc: 99.96% (8996/9000)epoch: 4, Loss: 0.00091accAcc: 100.00% (9000/9000)----Test result---Acc: 100.00% (1000/1000)

Vastaa

Sähköpostiosoitettasi ei julkaista.