¡No lo hagas! Si el resultado tiene esa propiedad en su conjunto de entrenamiento, la red lo aprenderá. Si los datos de entrenamiento no tienen esa propiedad, es probable que haya una razón para ello.
Dicho esto, así es como puedes hacerlo:
Desea [math] \ frac {\ partial f (X)} {\ partial x_k} \ geq 0 [/ math]
- ¿Cuál es la forma correcta de calcular la similitud de coseno entre una consulta y un documento? Cuando calculo la magnitud del documento, ¿sumo los cuadrados de todos los términos del documento o solo los de la consulta?
- Mi campo de interés para el doctorado es la visión por computadora, el aprendizaje automático y el procesamiento de imágenes. ¿Qué recursos hay para principiantes con respecto a estos temas? Yo sé Java; ¿Debo aprender otros idiomas primero o puedo comenzar los cursos de inmediato?
- ¿Cómo funciona la función predict () en R?
- ¿Por qué los CNN son mejores en clasificación que los RNN?
- ¿Cuáles son las mejores herramientas de última generación para la extracción de información en Python?
Tendrá que colocar alguna restricción en el dominio, de lo contrario, casi siempre puede encontrar alguna X que viole su condición.
Una vez que tenga esas restricciones, puede tratar todo como un problema de optimización restringido. Es muy difícil y casi seguro que no vale la pena, pero hay algoritmos capaces de hacerlo.
Lo que te sugiero que hagas en su lugar:
Entrenar a la red normalmente.
Luego, genere una malla de malla sobre el dominio y evalúe [math] \ frac {\ partial f (X)} {\ partial x_k} [/ math] sobre él y observe dónde es negativo (si está en algún lugar). ¿Es pequeña la magnitud? Probablemente. Entonces no te preocupes por eso. Si la magnitud es significativa, observe el significado de las otras características en esa región e intente descubrir qué podría causarla. Quizás la red está mal en esa región o quizás hay una buena razón.
Alternativamente:
Cree que la derivada parcial negativa en esa característica es un signo de sobreajuste, así que use la regularización. No regularización L1 o L2. En su lugar, regularice de acuerdo con la contribución de un peso a la derivada parcial.