Видео

Из этого видео я понял две вещи, то что я тупой и то что моя нееросеть останется необразованной🥲

Нихуя не понятно но ЛАЙК!

Спасибо большое! Что у вас за тема в visual studio?

парень с причёской из 60-ых))) ruclips.net/video/YjlDAYnFuwE/видео.html&ab_channel=BESTMOVIES

Наверное не стоило для демонстрации обратного распространения дополнительно на#евертить таких функций активации.. Теперь у всех мозги загажены кучей ненужных производных а в чем смысл обратного распространения понять уже никто не надеется...

Классный формат👍👍👍, супер❤. Все чётко, автор молодец❤

О, скьюб на столе!

что такое веса...?

Про класс Neuron ох как жизненно 😅😶 прям классика. А видео шикарное🔥

Неоправданно много и со слишком большой амплитудой трясёт руками. Это бессодержательное мельтешение в кадре сильно отвлекает. Если нужно показывать лицо себя любимого (по каким-то причинам), то можно в углу маленькое окошко оставлять, а основной кадр на содержательную часть отводить.

А для чего если есть chatgpt?

Я вот вообще ноль по этой теме, могу чисто открыть блокнот написать что нибудь и печать 😢

Вы первый кто интересно объясняет! Очень круто)))

В ахуях, месяц назад начал всë изучать, поэтапно всë, что не понимал изучал, пришлось вернуться к школьной математике))) к работе функций, линейная функция, парабола и всë такое, очень трудно было понимать сначала, начался ад когда я перешёл к производным, но я прошёл всë это. Спустя 100 роликов про нейросети и матанализ, миллион охуеваний со всего, наконец-то ура, я понял как работает логика нахождения градиента ошибки, дело просто в матанализе, в векторах частных производных, или просто в производных, которые показывают куда растëт функция и велечину роста в по определённому параметру. И недавно я снова решил посетить этот ролик, и вдруг, оказалось что здесь так всë подробно и разжëванно объясняется, я некоторые моменты, которые упустил из виду смог отсюда взять, спасибо!!! Жаль что забросили канал

Дмитрий, жаль что вы перестали новые видео делать(((

то что так долго искал. Спасибо!

что такое softmax?

где ты когда так нужен (шел 2024 год)

Что прикольно, то это то, что начинать бы объяснение было бы нагляднее с конца.. ))))

Капец такой толковый канал видео уже 3 года и так мало подписчиков....

IZVLEKATOR 3000 🤣

Согласен. Ничего не понятно

4:37 "пусть откуда-то дано dE по dH в численном виде" 5:48 "ну что давайте все это выводить по очереди" 5:53 "при условии что dE по dH нам дан" Ты прикалываешься? Прикольчики любишь, да? Приколдесики пулять, шутеечки шутить? Я РАЗРАБОТЧИК С 7 ЛЕТНИМ СТАЖЕМ И Я ТЕБЯ НЕ ПОНИМАЮ, АЛО, МОЖНО БОЛЕЕ ПОНЯТНО?))))

То-есть, у меня 16 примеров для обучения, я прогоняю все 16 через нейросеть, записываю значения выхода в список, использую формулу MSE, и после этого корректирую веса? Меня учили иначе, прогоняем пример, вычисляем ошибку, распространяем ошибку, корректируем веса. повторяем все для 16 примеров. Какой метод правильный и что будет работать быстрее и точнее?

Наконец-то нашел кого-то, у кого "Пишем с нуля" не равно "Для начала подключим тензорфлоу" Лайк, подписка, а там посмотрим, может и до колокольчика дойдёт 👍

По-моему mse это не совсем евклидово расстояния. Евклидово расстояние с корнём, а у Вас с 1/n

import numpy as np import random INPUT_DIM = 4 OUT_DIM = 3 H_DIM = 5 x = np.array.randn(1, INPUT_DIM) y = random.randint(0, OUT_DIM-1) W1 = np.random.randn(INPUT_DIM, H_DIM) b1 = np.random.randn(1, H_DIM) W2 = np.random.randn(H_DIM, OUT_DIM) b2 = np.random.randn(1, OUT_DIM) ALPHA = 0.0001 NUM_EPOCHS = 100 def relu(t): return np.maximum(t, 0) def softmax(t): out = np.exp(t) return out / np.sum(out) def sparse_cross_entropy(z, y): return -np.log(z[0,y]) def to_full(y, num_classes): y_full = np.zeros((1, num_classes)) y_full[0,y] = 1 return y_full def relu_deriv(t): return (t >= 0).astype(float) for ep in NUM_EPOCHS: for i in range(len(dataset)): x, y = dataset[i] # forward: t1 = x @ W1 + b1 h1 = relu(t1) t2 = h1 @ W2 + b2 z = softmax(t2) E = sparse_cross_entropy(z, y) # backpropogation: y_full = to_full(y, OUT_DIM) dE_dt2 = z - y_full dE_dW2 = h1.T @ dE_dt2 dE_db2 = dE_dt2 dE_dh1 = dE_dt2 @ W2.T dE_dt1 = dE_dh1 * relu_deriv(t1) dE_dW1 = x.T @ dE_dt1 dE_db1 = dE_dt1 # Update: W1 = W1 - ALPHA * dE_dW1 b1 = b1 - ALPHA * dE_db1 W2 = W2 - ALPHA * dE_dW2 b2 = b2 - ALPHA * dE_db2

Ну блин воще!!!!!!Просто гений. Респект от доктора физмат наук

Самое понятное видео и по делу. без воды.

А если так подумать я даже в 13 лет понял много чего спс

Вы просто отличный и шикарный. Молодцы!

жаль, что канал заброшен(((

Автор вернись пожалуйста!!!

Почему никто не делает нейросеть с диалогами

Отличная подача, наконец то нашёл подходящее "понятное " обучение

нихуя не понятно

Благодарю вас!

так и при первом прогоне с рандомными данными получился правильный ответ - можно было время сэкономить))

Интересный контент!я ранее почему то не находил ваши ролики! Информация довольно углубленная по теме нейронки ,почему так мало просмотров тоже удивлен

батч)))) batch - партия, пакет, серия, группа. туземцы forever))))))

9:03 жесть, это было неожиданно. Вы куда пропали, ребята, отличный потенциальный канал, вроде

Как сломать мозг за 15 минут))) Очень крутая подача, спасибо!

лучшее наглядное видео про нейронки, которое я видел

Привет! Мне не так уж много лет, 3- 4 года пишу сайты на react node js, до этого учил python сейчас решил вернуться и посмотреть про нейронки, автору спасибо большое, прям такое детское влечение появилось ❤

Нихуя не понятно, но очень интересно

Идеальная подача! Если бы по всему CS были такие восхитительные обучающие видео, программисты бы без труда лутали петабайты качественных знаний и конкуренция на рынке IT превысила бы все мыслимые и немыслимые границы!

Вообще забавно что по сути определение это: (входные данные => МАГИЯ => ВЫХОДНОЙ РЕЗУЛЬТАТ)

Спасибо за такое подробное и понятное объяснение по обучению и созданию нейронной сети. Потратил больше 2х недель на то, чтобы разобраться с этой задачей, пересмотрел кучу видеолекций и книг, но только благодаря вашим коротким роликам смог собрать всю информацию в целостную картину. Успехов вам.

Спасибо вас за ваш труд, у вас очень талантливо и наглядно получается!