التفاضل التلقائي: لماذا تتغير المشتقة مع ثبات القيمة بعد detach؟
يسجل التفاضل التلقائي اعتماد القيم بعضها على بعض في رسم حسابي. وعند فصل متغير وسيط، يمكن أن تبقى قيمته مع توقف انتقال مشتقته عبر ذلك المسار. [1]
جميع المقالات (الصفحة 91)
قراءات عربية في العلوم والتقنية والطبيعة والثقافة، تبدأ بسؤال وتترك لك مساحة للاستكشاف.
2302 مقال
فحص التدرج عدديًا: ماذا تخبرنا الفروق المركزية وما حدودها؟
يقارن فحص التدرج مشتقات محسوبة بالتفاضل مع تقريب عددي. توثق PyTorch استعمال الفروق المركزية لتقريب مشتقة الدالة الحقيقية عند نقطة. [1]
تهيئة Xavier: كيف يحدد حجم الطبقة توزيع الأوزان الأولية؟
تهيئة Xavier تربط توزيع الأوزان الأولية بعددي مدخلات الطبقة ومخرجاتها، بهدف موازنة انتشار الإشارات والتدرجات تحت افتراضات التحليل. [1]
تهيئة He مع ReLU: لماذا نحسب عدد الوصلات الداخلة؟
تأخذ تهيئة He أثر ReLU في انتشار الإشارة بالحسبان. في حالة الانتشار الأمامي المدروسة، تختار أوزانًا بمتوسط صفر وتباين 2 ÷ عدد الوصلات الداخلة. [1]
نقطة السرج في التدريب: لماذا لا يكفي التدرج الصفري؟
نقطة السرج في التدريب تساعد على فهم أن التدرج الصفري لا يثبت الوصول إلى أقل خسارة. قد ترتفع الدالة في اتجاه وتنخفض في اتجاه آخر حول النقطة نفسها. [1]
تجميد معامل في النموذج: هل يمنع مرور التدرج إلى معامل آخر؟
تجميد معامل في النموذج يحدد أي متغير نطلب تدرجه ونحدثه. في PyTorch، قد تسجل العملية للتفاضل إذا احتاج أحد مدخلاتها إلى تدرج، ولو كان مدخل آخر ثابتًا. [1]
تماثل الوحدات عند التهيئة: متى تحصل وحدتان على التحديث نفسه؟
تماثل الوحدات عند التهيئة قد يجعل وحدتين تتلقيان التحديث نفسه بدل تطوير حسابين مختلفين. يناقش المرجع تساوي المعاملات والتدرجات بوصفه مشكلة عند إنشاء الشبكة. [1]
قراءة مصفوفة الالتباس: حدد الصف والعمود قبل تفسير الخطأ
قراءة مصفوفة الالتباس تبدأ بتسمية المحاور وترتيب الفئات. في تعريف scikit-learn، يحمل الصف الفئة الفعلية والعمود الفئة المتنبأ بها؛ الخلية تعد الحالات التي جمعت الوصفين. [1]
دقة التصنيف العامة: ماذا تخفي نسبة الإجابات الصحيحة؟
دقة التصنيف العامة في الحالة ذات ملصق واحد لكل مثال هي نسبة التنبؤات الصحيحة إلى مجموع الأمثلة. يميز المرجع هذه النسبة عن عدد الإجابات الصحيحة دون تطبيع. [1]
Precision وRecall: لماذا يختلف مقام الإحكام عن الاسترجاع؟
يقيس Precision حصة الصحيح بين ما سميناه إيجابيًا، بينما يقيس Recall ما اكتشفناه من الإيجابي الفعلي. المقامان مختلفان. [1]
درجة F1: ما الذي يجمعه المتوسط التوافقي وما الذي يخفيه؟
درجة F1 تجمع الإحكام والاسترجاع بمتوسط توافقي، لا بمتوسط حسابي. يوضح المرجع أن مساهمتهما في الصيغة متساوية، وأن حسابها يمكن أن يعتمد على عد الإصابات والأخطاء. [1]
Macro وMicro وWeighted: أي متوسط تقرأ في تقرير التصنيف؟
Macro وMicro وWeighted أسماء لطرق مختلفة في تجميع مقاييس التصنيف. يميز المرجع المتوسط غير المرجح للفئات، والجمع قبل الحساب، والترجيح بعدد الحالات الفعلية لكل فئة. [1]
Specificity في التصنيف: كيف نحسب النجاح داخل الفئة السلبية؟
Specificity في التصنيف، أو النوعية، تقيس حصة السلبيات الفعلية التي صنفناها سلبية بصورة صحيحة. صيغتها TN ÷ (TN + FP)، وفق التوثيق. [1]
ROC-AUC: جودة ترتيب الدرجات لا تختار عتبة القرار
ROC-AUC يلخص أداء ترتيب درجات التصنيف عبر عتبات. يربط Google تفسيره بمقارنة درجة حالة إيجابية بدرجة حالة سلبية مختارتين عشوائيًا، مع فصل الترتيب عن القرار النهائي. [1]
Average Precision: لماذا لا نأخذ متوسط نقاط المنحنى ببساطة؟
Average Precision يلخص الإحكام عبر زيادات الاسترجاع. يعرّفه المرجع مجموعًا لدرجات الإحكام مرجحة بتغير الاسترجاع، دون الاستيفاء الخطي الذي يستخدمه حساب مساحة شبه المنحرف. [1]
اختيار عتبة التصنيف: حدد الهدف قبل مقارنة الحدود
اختيار عتبة التصنيف يحول درجات النموذج إلى أفعال أو ملصقات. يفرق التوثيق بين تقدير الدرجة الإحصائية واتخاذ القرار، ويعرض ضبط العتبة وفق مقياس محدد. [1]
تكلفة أخطاء التصنيف: لماذا قد يفوز القرار ذو الأخطاء الأكثر؟
تكلفة أخطاء التصنيف تحتاج إلى تعريف مقدار كل نوع خطأ ووحدته. يعرض المثال الرسمي ضرب أعداد مصفوفة الالتباس في تكاليف أو مكاسب معرفة، ثم جمع مساهماتها. [1]
Log loss: لماذا تختلف خسارة قرارين صحيحين بالملصقات نفسها؟
Log loss تقيم الاحتمال الذي يمنحه النموذج للحقيقة. يعرّف المرجع خسارتها الثنائية باستخدام اللوغاريتم الطبيعي لاحتمال الفئة الإيجابية ومتممه، لا بعد تحويل الاحتمال إلى ملصق فقط. [1]