AI - математические функции

На этой странице представлена реализация программы для тренировки нейронной сети для создания модели одной из 3-х достаточно простых математических функций по значениям аргумента X и функции от этого параметра Y на основе библиотеки TensorFlow.JS.

Cреди параметров программы: выбор моделируемой функции; выбор отрезка X на котором эта функция моделируется, например [0.0, 1.0]; количество сэмплов значений параметров и значений функции для тренировки; количество слоёв нейронов в сети; количество нейронов в каждом внутреннем слое. Функция, которая оценивает ошибки при моделировании сетью значений функции по значениям параметров, в сравнении с известным значением. Алгоритм оптимизации параметров нейронной сети при тренировке. Размер блока сэмплов для тренировки, количество итераций тренировки, количество примеров для отображения и максимальное отклонение моделируемого сетью значения функции от известного реального для отображения примеров в виде правильных зелёным цветом.

NNs Learning Complex Functions (TF.JS)

Смысл заключается в том, что любой процесс либо явление в реальной жизни, например технологический процесс в промышленности, представляет из себя систему сложных математических функций многих переменных (многомерный случай). В примере технологического процесса, переменными в функции являются значения технологических параметров, значения состояния оборудования, значения себестоимости различных этапов технологического процесса, и пр., тогда как результатом функции будет набор конечных параметров готовой детали (конечная себестоимость, параметры качества). Принципиально, приведённый пример ничем не отличается от предложенных примеров в программе.

Эта программа - технический пример того, как можно применять Нейронные Сети для моделирования различных функций. Дальше мы будем реализовывать практические задачи на основе библиотеки TensorFlow. Мы посмотрим как работает эта система, какова нагрузка, какие есть узкие места, что можно распараллелить и оптимизировать и как лучше всего организовать этот процесс в сети Binarium. Затем мы распараллелим вычисления для ИИ в сети и будем реализовывать задачи для различных предприятий, компаний, студий, проектов и других организаций в России и других странах. Затем, на основе опыта работы этой системы мы реализуем платформу для проведения общих вычислений в любых областях вообще.

Published: 1 мес. назад, last edit: 2 нед. назад