ترجمه فارسی مقاله نزدیک: یک پیش بینی کننده بدون آموزش عملکرد مدل یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی NEAR: A Training-Free Pre-Estimator of Machine Learning Model Performance
عنوان مقاله به فارسی نزدیک: یک پیش بینی کننده بدون آموزش عملکرد مدل یادگیری ماشین
نویسندگان Raphael T. Husistein, Markus Reiher, Marco Eckhoff
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Disordered Systems and Neural Networks,Chemical Physics,Data Analysis, Statistics and Probability,یادگیری ماشین , سیستم های بی نظمی و شبکه های عصبی , فیزیک شیمیایی , تجزیه و تحلیل داده ها , آمار و احتمال ,
توضیحات Submitted 16 August, 2024; originally announced August 2024. , Comments: 12 pages, 4 figures, 10 tables
توضیحات به فارسی ارائه شده 16 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 12 صفحه ، 4 شکل ، 10 جدول
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Artificial neural networks have been shown to be state-of-the-art machine learning models in a wide variety of applications, including natural language processing and image recognition. However, building a performant neural network is a laborious task and requires substantial computing power. Neural Architecture Search (NAS) addresses this issue by an automatic selection of the optimal network from a set of potential candidates. While many NAS methods still require training of (some) neural networks, zero-cost proxies promise to identify the optimal network without training. In this work, we propose the zero-cost proxy Network Expressivity by Activation Rank (NEAR). It is based on the effective rank of the pre- and post-activation matrix, i.e., the values of a neural network layer before and after applying its activation function. We demonstrate the cutting-edge correlation between this network score and the model accuracy on NAS-Bench-101 and NATS-Bench-SSS/TSS. In addition, we present a simple approach to estimate the optimal layer sizes in multi-layer perceptrons. Furthermore, we show that this score can be utilized to select hyperparameters such as the activation function and the neural network weight initialization scheme.

چکیده به فارسی (ترجمه ماشینی)

نشان داده شده است که شبکه های عصبی مصنوعی در طیف گسترده ای از برنامه های کاربردی از جمله پردازش زبان طبیعی و تشخیص تصویر ، مدل های یادگیری ماشین هستند.با این حال ، ایجاد یک شبکه عصبی عملکردی یک کار پر زحمت است و به قدرت محاسباتی قابل توجهی نیاز دارد.جستجوی معماری عصبی (NAS) با انتخاب اتوماتیک شبکه بهینه از مجموعه ای از نامزدهای بالقوه ، این موضوع را به این موضوع می پردازد.در حالی که بسیاری از روشهای NAS هنوز هم نیاز به آموزش (برخی) شبکه های عصبی دارند ، پروکسی های صفر با هزینه قول می دهند شبکه بهینه را بدون آموزش شناسایی کنند.در این کار ، ما بیان شبکه پروکسی صفر هزینه را با رتبه فعال سازی (نزدیک) پیشنهاد می کنیم.این مبتنی بر رتبه مؤثر ماتریس قبل و بعد از فعال سازی ، یعنی مقادیر یک لایه شبکه عصبی قبل و بعد از استفاده از عملکرد فعال سازی آن است.ما همبستگی برش بین این نمره شبکه و دقت مدل در NAS-BENCH-101 و NATS-BENCH-SSS/TSS را نشان می دهیم.علاوه بر این ، ما یک روش ساده برای برآورد اندازه لایه بهینه در درک چند لایه ارائه می دهیم.علاوه بر این ، ما نشان می دهیم که از این نمره می توان برای انتخاب HyperParameters مانند عملکرد فعال سازی و طرح اولیه سازی وزن شبکه عصبی استفاده کرد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.