Es muy simple: el gráfico de cálculo es el camino de las operaciones que realiza para obtener desde las entradas (que podrían ser un vector de características de datos) hasta la función de pérdida (ya que conecta la salida a una función de pérdida para optimizarla).
Una red feedforward podría llamarse una cadena de cálculo, ya que comienza desde un vector de entrada, lo transforma a través de una transformación afín (una matriz se multiplica con otro nodo, la matriz de peso), la ejecuta a través de una no linealidad (es decir, una función de elementos como la logística sigmoide), y repita hasta llegar al nodo de salida; luego ejecutará su salida a través de una función que devuelve un valor de error escalar, llegando así al final de su gráfico dirigido. Este gráfico de operaciones, o cálculos, es un formalismo útil cuando desea hacer algo como la diferenciación en modo inverso (o propagación inversa de errores) =]
Le recomiendo que eche un vistazo al Capítulo 6 del libro de texto “Aprendizaje profundo” (Aprendizaje profundo), que profundiza mucho más y le brinda un tratamiento completo de la idea del gráfico de cálculo aplicado a las redes neuronales.
- ¿Cuáles son los conjuntos de datos de visión por computadora más populares en este momento?
- ¿Dónde puedo ir para averiguar cómo extraer características de un documento de texto para usar en el entrenamiento de un clasificador?
- Cómo calcular el factor de escala 1 / z en la clasificación de Naive Bayes
- ¿Qué herramientas estadísticas se necesitan para la extracción de características y el reconocimiento de patrones en el procesamiento de imágenes?
- ¿Cuáles son los algoritmos utilizados en los sistemas de preguntas y respuestas en PNL?