Имя (желательно полное):

E-Mail:

URL:

Город:

Страна:

Вежливый и подробный комментарий:
(Форматируйте его, пожалуйста, как почту - короткими строками
Еnter в конце строки, пустая строка между параграфами).
> > > > -- чему учить; > > Ну, я так понимаю, учить надо способности предсказания символов на основе уже виденных контекстов. То есть, сетка должна сказать, ага, мол, мы видели этот контекст уже сто раз и всегда потом шел символ такой-то, так выставим ему 0.9 вероятности а остальным раздадим поровну 0.1 :) > > Вот-вот. А что такое здесь > "контекст" ? :-| > > > > -- как учить; > > Это вопрос. Адаптивное обучение имеет недостатки - довольно медленная сходимость, большое время на обучение и большой объем памяти. Однако, что если мы пакуем типичные данные, скажем, текст. И тогда можно теоретически обучить сетку в оффлайне и пользоваться уже готовыми ее "знаниями". Но тут конечно оптимальности вряд ли можно ожидать. > > И чем это отличается от пулемета, > тьфу, статического ППМа? > > > > -- на чем учить. > > На типичных данных, либо, в адаптивном варианте - на уже просмотренных данных. > > > А реального кодера кроме ANN Mahoney > > > я не видел. > > Я просмотрел его кодеры, работают они довольно быстро и памяти требуют не столь много, как некоторые ppm. Однако, сжатие на уровне bzip2 и rar, которым особой памяти не надо. > > bzip2 и rar вполне себе прилично > кушают :-) > > > Но тут вот какой вопрос - не меньше ли нужно кодеру на НС памяти, чем кодеру ppm? Ведь структура нейросети как бы замкнута на себя, размер занимаемой памяти фиксирован и не растет со временем, тогда как в ppm требуется динамическое создание все новых моделей. Или я не так понимаю? > > Если мы не режем связи, слои, > нейроны и не меняем функцию/пороги > активации и проч., то оно конечно > так :-)

Пожалуйста, заполните все поля.
И не нажимайте по два раза на кнопку! Дождитесь ответа сервера.