DeepThinker

The tool for learning and creating neural networks

Головна сторінка Навчальні матеріали Інструкція до платформи
⇧ Upload model
⇩ Download model

?Input values (вхідні значення) представляють собою дані або фічі, які подаються на вхід моделі для обробки. Вони є вхідними точками, через які дані проходять усередину мережі для обчислення та передачі інформації.
Input values:
?Output values (вихідні значення) - це результати, отримані на виході мережі після обробки вхідних даних. Коли дані проходять через нейронну мережу, вони проходять крізь різні шари нейронів, де виконуються обчислення.
Output values:

- Model parameters -

(use default params)

?Learning rate (коефіцієнт швидкості навчання) визначає темп навчання мережі. Він контролює крок зміни вагів нейронів в процесі навчання.



?Параметр Validation split визначає, яка частка вхідних даних буде використана для перевірки моделі, а не для її навчання.



?Batch size (розмір пакета) визначає кількість прикладів даних, які одночасно подаються на вхід моделі для обробки під час тренування. Використання пакетів дозволяє нейронній мережі ефективно працювати з великими обсягами даних.



?Параметр Epochs відображає кількість повних прогонів навчального набору даних через модель під час тренування. Кожна епоха означає, що модель побачила всі доступні дані один раз і здійснила корекцію вагів на підставі помилок, які вона зробила.



?Функція втрат (Loss function) в нейронних мережах є математичною функцією, яка вимірює рівень помилки або розбіжності між прогнозованими значеннями моделі та справжніми значеннями цільової змінної. Вона використовується для кількісної оцінки того, наскільки добре модель працює на даному наборі даних.

?У нейронних мережах, шари (Layers) - це організаційні одиниці, що складаються з набору нейронів. Кожен шар приймає вхідні дані, виконує певні обчислення та передає результати наступному шару.
Units - кількість нейронів шару.
Activation - функція активації шару. Вона є математичною функцією, яка застосовується до виходів шару, щоб надати нелінійність та можливість моделі узагальнювати складні залежності у вхідних даних.

Layer 1 | units

Add layer
Remove last layer




- Output -


💡 Як покращити результати роботи нейронної мережі ▼