Názory k článku Volba funkcí a algoritmů pro trénink neuronových sítí ve scikit-learn

otazka zda by u tech cisel pomohl preprocesing, zvyraznit hrany a pak analyzovat upravene cisla s ostrymi hranami, pripadne cisla uplne prevest na vektorove cary.

osobně si myslím, že u větších obrázků preprocesing (i nějaký chytřejší) smysl má. Zase mě ale na druhou stranu lidi přesvědčují, že hluboká konvoluční síť to zvládne taky (ale důkazy většinou chybí). Vektorizaci u takto malých rastrů netuším, ale zrovna zvýraznění hran a třeba i nějaké pohrání si s gama korekcí by asi neuškodilo.

Ještě se k tomu zkusím vrátit u datového setu CIFAR https://www.cs.toronto.edu/~kriz/cifar.html (ale to již budeme chtít trénovat na GPU, protože na procesoru se výsledku nedá dočkat :-)

[RFC] https://www.tomshardware.com/tech-industry/artificial-intelligence/ai-engineers-build-new-algorithm-for-ai-processing-replace-complex-floating-point-multiplication-with-integer-addition

Děkuji za seriál. Takovýto lidsky psaný vhled do problematiky velmi oceňuji.

Chtěl bych se ale zeptat... plánujete nějaký praktický příklad na na aktivační funkce s radiální bází?

Docela teď používáme RBF interpolátory pro vytipování optimálních řešení v mechanice těles. Je to pro mne zatím blackbox, ale se zajímavými výsledky. Tak by mě zajímalo, jetli je nějaký funkční průnik mezi rbf a aktivačními funkcemi vaámi uvedenými?