Búsqueda · 34 momentos en 23 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribeterror observación solución verdadera entradaredes neuronales investigadores sara robiscoecuación inversión solución verdaderared neuronal aprende error observaciónsubredes capas suma entradafunción error menos entradaresnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutronesSara RobiscoResNetLIGOVirgoKAGRA
Función error menos entrada
Con
0:000:301:001:302:002:303:12
Sara Robisco explica cómo los investigadores están desarrollando una red neuronal que no aprende la solución directamente, sino el error o residuo entre la solución verdadera y la observación.
…a más capas la red sobreaprenda sino porque cuando tú le añades más capas tu error aumenta; empieza a aumentar la tasa de error de la red neuronal y dices: ostras, empieza a fallar y esto era un problemón y a unos chinos, porque esta red neuronal es china. Se les ocurrió una maravillosa idea y es, vale, la solución que queremos observar; que nosotros queremos obtener es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros necesitamos, a la solución verdadera, menos la entrada, ¿verdad? Vale, y si cogemos esta ecuación, la damos la vuelta. Y decimos la función de lo que nosotros queremos observar es el error menos la entrada. Dices: oye, qué simple, qué fácil. ¿Y esto cómo se consigue en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han…
Significado #1 · Palabras #1
Sara Robisco comenta los resultados obtenidos en el entrenamiento de un modelo para predecir el rendimiento de motores, mostrando entusiasmo por la gráfica de errores de mínimos cuadráticos.
Habla: Sara RobiscoPalabras #14entrenamiento modelo rendimiento motoresresultados entrenamiento artículo sara robisco…muy profundas porque te eternizaría, porque las tienes que entrenar todas en paralelo, necesitas muchísima potencia Sí, porque el número de puntos es 18.000 Y claro, como son valores numéricos, tampoco necesitas una barbaridad de tamaño No son imágenes Claro, entonces funcionan súper bien. Estoy viendo además los datos del artículo y la gráfica de entrenamiento; los resultados del entrenamiento con la gráfica de los errores de mínimos cuadráticos es una pasada. O sea, es que ves como la gráfica es del libro, como baja el error, qué gozado. Es tremendo, o sea, conseguimos mejores resultados que las simulaciones. un poquito chunguillas, no eran blaso, eran pic más fluido sin masa, pero claro, una vez que está la red entrenada, a toda caña, dicen que tardan 9.000 veces menos que la simulación chunga esta, la blaso ya decíamos que tardaba 4.000, ¿cómo era? 4 días en 800…
Sara Robisco explica cómo los investigadores están desarrollando una red neuronal que no aprende la solución directamente, sino el error o residuo entre la solución verdadera y la observación.
Habla: Sara RobiscoSignificado #1 · Palabras #1error observación solución verdadera entradaredes neuronales investigadores sara robiscoecuación inversión solución verdaderared neuronal aprende error observaciónsubredes capas suma entradafunción error menos entradaresnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutrones…a más capas la red sobreaprenda sino porque cuando tú le añades más capas tu error aumenta; empieza a aumentar la tasa de error de la red neuronal y dices: ostras, empieza a fallar y esto era un problemón y a unos chinos, porque esta red neuronal es china. Se les ocurrió una maravillosa idea y es, vale, la solución que queremos observar; que nosotros queremos obtener es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros necesitamos, a la solución verdadera, menos la entrada, ¿verdad? Vale, y si cogemos esta ecuación, la damos la vuelta. Y decimos la función de lo que nosotros queremos observar es el error menos la entrada. Dices: oye, qué simple, qué fácil. ¿Y esto cómo se consigue en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han…