4. Линейные нейронные сети для классификации

Теперь, когда вы разобрались со всеми механическими аспектами, вы готовы применить полученные навыки к более широким задачам. Даже при переходе к классификации большая часть базовой инфраструктуры остается неизменной: загрузка данных, пропуск их через модель, генерация выходных данных, вычисление функции потерь, нахождение градиентов по весам и обновление модели. Однако точный вид целевых значений, параметризация выходного слоя и выбор функции потерь будут адаптированы под условия задачи классификации.

• 4.1. Софтмакс-регрессия
  • 4.1.1. Классификация
  • 4.1.2. Функция потерь
  • 4.1.3. Основы теории информации
  • 4.1.4. Итоги и обсуждение
  • 4.1.5. Упражнения
• 4.2. Набор данных для классификации изображений
  • 4.2.1. Загрузка набора данных
  • 4.2.2. Чтение мини-батча
  • 4.2.3. Визуализация
  • 4.2.4. Итоги
  • 4.2.5. Упражнения
• 4.3. Базовая модель классификации
  • 4.3.1. Класс Classifier
  • 4.3.2. Точность
  • 4.3.3. Итог
  • 4.3.4. Упражнения
• 4.4. Реализация софтмакс-регрессии с нуля
  • 4.4.1. Софтмакс
  • 4.4.2. Модель
  • 4.4.3. Функция потерь перекрёстной энтропии
  • 4.4.4. Обучение
  • 4.4.5. Прогнозирование
  • 4.4.6. Резюме
  • 4.4.7. Упражнения
• 4.5. Краткая реализация софтмакс-регрессии
  • 4.5.1. Определение модели
  • 4.5.2. Софтмакс: повторное рассмотрение
  • 4.5.3. Обучение
  • 4.5.4. Итоги
  • 4.5.5. Упражнения
• 4.6. Обобщающая способность в классификации
  • 4.6.1. Тестовая выборка
  • 4.6.2. Повторное использование тестовой выборки
  • 4.6.3. Теория статистического обучения
  • 4.6.4. Summary
  • 4.6.5. Упражнения
• 4.7. Среда и сдвиг распределения
  • 4.7.1. Виды сдвига распределения
  • 4.7.2. Примеры сдвига распределения
  • 4.7.3. Коррекция сдвига распределения
  • 4.7.4. Классификация задач обучения
  • 4.7.5. Справедливость, подотчетность и прозрачность в машинном обучении
  • 4.7.6. Итог
  • 4.7.7. Упражнения