Введение Графы — это сложные и разнообразные структуры данных, которые могут представлять различные виды информации, такие как социальные сети, молекулярные структуры или базы знаний. Однако учиться на графах непросто, так как для этого требуются модели, способные отражать богатые и тонкие закономерности структуры графа. Графовые нейронные сети (GNN) и многослойные персептроны (MLP) — две популярные модели обучения на графах, но у них есть свои недостатки. GNN часто страдают от..

Здравствуйте, друзья, в этом блоге я поделюсь своим опытом работы с многослойным персептроном, с какими проблемами я столкнулся, обучая их, и как я их преодолел. 1. Основные сведения Перед этим я хотел бы уточнить некоторые моменты. В этом посте предполагается, что у вас есть определенные знания о многослойных перцептронах и о том, как они работают. Вы знакомы с базовой терминологией, такой как обратное распространение, а также знаете о функциях активации, таких как сигмоид, tanh,..

Регрессия используется для прогнозирования целевой переменной с использованием переменных входных признаков. Прогнозирование временных рядов используется для прогнозирования целевых и/или входных переменных признаков в течение определенного периода времени. Приведенную выше регрессионную модель наилучшего соответствия можно использовать для проверки того, что такая же связь существует между прогнозируемыми входными объектами и прогнозируемой целевой переменной. В этом посте описан другой..

Введение и обзор В этой статье представлена ​​нейронная сеть, которая представляет собой просто многослойный перцептрон с прямой связью (MLP), что означает отсутствие свертки, механизма внимания, лямбда-слоев и прочего. Это просто умножение матриц, нелинейности, нормализация и пропуск соединений (адаптировано из ResNets). Этот документ похож на абстракции, разработанные в недавнем документе SOTA, известном как Трансформаторы видения . Я разработал блог, в котором подробно..