全部
正确的。
你好
每个人。
我的 姓名 是 斯科特 艾伦。
我是 a 系统 工程师 在 跳转。
我是 去 到 是 呈现 a 神经 网络 调音 添加- 在
那 我已经 发达 真的 帮助 发展 神经 网络 模型
在 一个 自动化 方式 到 建造 许多 模型，
寻找 出去 哪个 参数 是 最多 有效的 在 建筑 这 最好的 模型。
什么 ID 喜欢 到 做 只是稍微介绍一下背景
在 动机 为了 建筑 这 添加- 在。
我是 去 到 做 或许 a 演练， 描述，
什么是 去 在 在 这 背景 什么时候 你 跑步 这 添加- 在
和 然后 展示 a 使用 案件 为了 它。 A 样本 工作流程。
然后就真正包裹起来 向上 和 一些 教训 学到了。
这 曾是 我的 第一的 大的 脚本 项目， 所以 当然 学到了 a 很多 沿着 这 方式。
我想要 到 分享 那 和 然后 作为 出色地 作为 什么是 下一个。
第一的， 只是 I 想 到 在这里花 3、4 分钟
只是 在 这 背景 和 动机。
很多 的 其他 机器 JMP中的学习平台 有 一些 有点
范围 调音 功能，
无论 它是 a 调音 桌子 那 你 创造 外部 这 平台，
喜欢 在 引导程序 森林 或者 提升 树木， 或者 一个 融合的 调音 设计
就像 支持 向量 机器 和 这 新的 XGBoost 平台。
但 有 不是 一 为了 神经 网络。
那 引领 到 一些 顾客 我和同事询问此事。
“是 这 某物 那是 可用的？
是 那里 脚本 出去 那里 那 我们 能 使用？
是 那里 一个 添加- 在？”
那里 是 a 很少 事物 出去 那里， 但 或许 不是 一切 在 一 地方。
然后 在 a 个人的 等级， 我已经 绝不 承担 a 大的 脚本 项目。
我已经 完毕 一些 小的 JSL 脚本 自动化 工作流程，
或者 到 干净的 向上 数据， 但 I 有 绝不 建造 一个 应用。
这是，我 真的 通缉 a 项目 到 帮助我学习。
I 用过的 这 作为 一个 原谅 到 学习 JSL。
这 神经 网络 平台 在 JMP 中 强大的，
和 所以 患病的 只是 发射 它 真的 快的。
我是 当然 如果 你已经 见过 它...
I 将要 提到 I 是 使用 JMP PRO 版本 17.1 .
那是 在哪里 全部 这 测试 有 发生了 为了 这 添加- 在。
I 有 不是 走了 向后 许多 版本。
I 会 建议 如果 你 是 去 到 使用这个
你 需要 到 有 跳转 优点 和 在 至少 版本 17.1。
这 跳转 神经 网络平台 是 真的 强大的
和 I 只是 想 到 拿 a 很少 分钟 去 通过 什么 这 看起来 喜欢。
I 思考 每个人 有...
如果 你已经 用过的 神经 网络， 你已经 走了 通过 此工作流程
和 它是 a 真的 好的 灵活的 平台 为了 发展 这些 模型。
你 能 开始 离开 和 基线模型 和 或许 你是 不是 使满意
和 这 表现 的 你的 模型 在 这 案件。
你 能 只是 去 后退 到 这 模型发布 和 你 能 调整 这 参数 这里。
你 能 去 和 产生 其他 模型。
它是 容易 开始 改变 这些 参数
和 发现 模型 那 可能 是 这 最多 合适的 为了 你的 系统。
但 那里 是 a 很多 的 选项 在 这里。
你已经 得到 不同的 数字 的 节点， 你已经 得到 一 或者 二 层，
有 提升 选项 作为 出色地 作为 a 很多 的 不同的 配件 选项。
你 不 总是 知道...
它是 不是 总是 清除 哪个 的 这些 您需要更改的参数
在 命令 到 得到 这 最好的 模型 为了 这 数据 桌子 那 你是 在职的 在
和 这 预测变量 那 你是 使用。
它是 不是 总是 清除 如果 调整 a 范围
是 去 到 带领 到 a 更好的 模型。
你 只是 调整 向上 nd 向下， 或许 拿 大的 步骤
到 数字 出去 什么是 去 在。
确实如此 要求 a 很多 的 手动的 调整 经过 这 用户
在 命令 到 产生 这些 模型。
他们 是 漂亮的 快速地， 所以 它是 不是 时间- 消费 到 创造 这些
但 它 是的 要求 a 很多 的 点击。
我的 目标 这里 和 一些 的 我的 灵感 曾是 真的 到 提供 a 单身的 平台
为了 调音 和 评估 那些 神经 网络 模型。
I 曾是 还 受到启发 那里 是 一些 调音 脚本 出去 那里。
缺口 谢尔顿 有 a 脚本 那 会 帮助 你 建立该表
和 跑步 它 和 评价 那些 模型。
标记 贝利 有 发达 一个 添加- 在 为了 这 作为 出色地，
和 那里 是 奥梅 社区 帖子 那 是 尝试 到 f 人物 出去 如何 到 做这个。
那些 是 全部 一些 开始 点 为了 这 添加- 在。
然后 I 真的 喜欢 这 XGBoost 添加- 在 界面。
它是 真的 干净的， 它是 得到 一些 图形 输出
和 它是 真的 简单的 到 导航 和 让 你 汽车 调 那些 网络。
这 添加- 在 那 我是 发展 不是 汽车 调音，
它是 真的 更多的 的 a 野蛮人 力量 方法。
只是 建造 很多 的 模型 和 然后 有 a 图形 界面 那里
到 帮助你 或者 寻找 这 最好的 一 为了 你的 系统。
让我们 去 在 和 移动 在 o 只是 什么 这 添加- 在 做 和 如何 到 使用 它。
到 发射 这 添加- 在， 只是 喜欢 最多 添加- 插件，
你 去 到 这 添加- 在 菜单， 和 它是 称为 神经 网络 调音。
那 需要 你 到 这 发射 对话。
这 给出 你 a 列角色 界面 这非常 相似的
到 许多 其他 平台。
我们 能 只是 选择 全部 f 我们的 因素 这里 和 我们的 回复。
现在， 它 允许 a 单身的 Y 回复，
和 它 能 是 任何一个 连续的 或者 绝对的。
这 添加- 在 现在 仅有的 有 这 二 验证 方法，
所以 你 能 指定 a 验证 柱子 和 两个都 验证 和测试。
设置 如果 你 有 那， 如果 你 不， 它是 只是 去 到 做 a 随机的 阻碍，
这 默认 对于 t 他 神经 网络。
然后 你 能 指定 和 切换 或者 切换 这 信息丰富 丢失的 作为 出色地。
但 出色地 只是 去 和 这 为了 现在。
我们 点击 好的， 和 那 需要 你 到 这 调音 发射。
这 调音 对话， 第一的， 给出 你 a 小的 少量 的 信息
关于 什么是 在 这 数据 桌子 和 什么 你 指定的 作为 柱子 角色。
正确的 现在 我们已经 得到 这 数据 此处的表格， 这 模型 验证 方法，
作为 出色地 作为 无论 或者 不是 我们 有 信息丰富 丢失的 在 或者 离开。
然后 我们已经 得到 这 美国能源部 选项。
什么 这 添加- 在 将要 做， 是 看 在 全部 这 范围 范围 那 你已经 放
和 创造 a 快速地， 灵活的， 空间- 填充 设计。
真的 这 仅有的 设计 规格 你 需要
是 到 放 这 数字 的 试验 在 这 设计。
在 这 案件 我们已经 得到 默认情况下 它是 去 到 是 放 到 20，
和 有 一些 规则 的 拇指。
或许 你 想 到 指定 在 至少 10 治疗 在 这 设计
为了 每一个 因素 那 你是 寻找 在， 但 它是 完全地 向上 到 这 用户，
和 所以 出色地 来 后退 和 调整 那 如果 我们 需要 到。
你 能 还 复制 这 设计 和 a 不同的 随机的 种子。
在 一些 案例 如果 你 想 到 看 如何 强壮的 你 可能 是
到 肯定 参数， 你 能 跑步 这 相同的 神经 网络 模型 20 次，
但 全部 和 不同的 随机的 种子 到 看 如何 强壮的 这 模型 是 到 那。
然后 你 能 切换 无论 或者 不是 你 想 到 看 这 美国能源部 对话 那 节目 向上。
一次 你已经 走了 通过 美国能源部 选项 这里，
你 能 来 向下 到 这 神经 网络 调音。
I 尝试过 到 停留 漂亮的 真的 到 这 原来的 平台
在 这 神经 网络 经过 使用 相似的 语言 和 选项 这里。
这 是 在哪里 你 去吧，一个 nd 反而 的 指定 a 单身的 价值
为了 一 的 这些 参数， 是 去 到 指定 a 范围。
还， 我是 限制 a 小的 少量 这 可用的 选项
为了 这 类型 的 神经 网络 那 你是 去 到 创造。
在 这 案件 你 能 产生 a 单身的 隐 层，
你 能 产生 二 隐 层， 或者 一 隐 层 和 提升。
现在， 这 神经 网络 平台 没有 允许
a 第二 层 和 提升。
如果 你 尝试 到 做 那 在 这 神经 网络 平台，
它 将要 给 你 a 警告 说 那 它是 去 到 忽略 那 第二 层。
在 这 添加- 在， I 只是 制作 它 所以 那 你 零 出去 全部 那些 第二 层
什么时候 你 激活 提升。
在 这 案件 是 去 对此 探索 这 数据 桌子 a 少量
也许 是 去 到 放 一些 宽的 范围 的 调音 参数。
我是 去 到 去 从 0-9 在 每个 的 那些 激活函数 数字 的 节点。
超过 在 这 配件 选项， 你 不 有 到 一定
知道什么 可能 是 最好的 为了 你的 系统， 你 能 只是 选择 他们
到 是 部分 f 这 美国能源部， 或者 在 这 案件
其中 转换 协变量 和 强壮的 合身 选项。
你 能 切换 他们 到 总是 是 离开， 总是 是 在， 或者 纳入 DOE。
出色地 包括 两个都 的 那些 在 这 美国能源部 为了 这 例子。
惩罚 方法。
你 能 测试 任何 或者 全部 这 不同的 方法。
如果 你 不 指定 任何 惩罚 方法， 它 将要 跑步
这 默认 惩罚 方法 平方。
但 是 去 到 查看 全部 的 那些。
你 能 还 指定 这 数字 的 旅游 每 模型。
在 回想起来， I 大概 没有 需要 到 添加 这
但因为 你 可以 做 某物 相似的 经过 只是 复制 全部 的 这 设计
和 看到 这 结果 从 每个 的 那些 模型。
但 它是 这里 在 案件 你 想 到 调整 这 数字 的 旅游。
你 能 还 指定 a 随机的 种子。
在 这 案件， 我已经 得到，3，4，5，6。 六种不同的 因素 在 这 设计，
所以 我是 只是 去 到 或许 转 t 他的 向上 到 60.
我是 去 到 创造 60 模型。
前 I 点击 跑步， 我是 g 正在 到 讲话 a 小的 少量 关于
什么是 去 在 什么时候 你 点击 跑步。
这 第一的 事物 那 发生 当 y 或者 点击 跑步，
是 它是 去 到 创造 a 因素 桌子 和 仅有的 这 已选择 参数。
我们选择它。
在 这 案件 它会 创造 a 因素 桌子 和 单身的- 层 节点，
全部 的 这 不同的 配件 选项。
它是 不是 去 到 放 这 第二个 昨天 或者 任何 的 这 提升 参数
进入 这 因素 桌子。
那我 去 到 创造 a 响应表 在哪里 这 训练， 验证，
和 测试 R- 平方 指定值
a nd 然后 它是 去 到 结合 那些 进入 a 单身的 桌子。
这 是 什么 这 样品 DOE 桌子 将要 看 喜欢。
它是 只是 去 到 有 这 回应 作为 这 R- 平方 价值观
和 然后 全部 这 不同的 参数。
然后 这些 只是 得到 已通过 进入 这 神经 网络 平台 排- 经过- 排，
和 这 结果 展示 向上 在 这 数据 桌子。
只是 喜欢 是 说， 每个 的 那些 运行 在 这 设计 是 去 到 去 进入 这
神经 网络 模型 平台 依次 和 然后 我们 有 a 小的 对话 盒子
那是 去 到 表明 这 全面的 过程。
在 这 案件 的 真的 长的- 跑步 神经 网络，
它是 好的 到 只是 看 如何 迅速地 这 所有的 设计 是 去 到 去。
I 会 推荐 前 指定 a 大的 数字 的 试验 在 这 设计
那 你 跑步 一 或者 二 前方 的 时间 只是 到 看
如何 长的 他们是 去 到 拿。
如果 你 有 相当 小的 数据 放， 然后 他们 去 漂亮的 迅速地， 但 如果 你 有
a 复杂的 数据 放， 他们 能 拿 有时 相当 a 尽管 到 跑步。
在 这 案件 我是 只是 使用 a 样本 数据 放 从 这 样本 数据 放 图书馆。
这 药片 生产。
它是 不是 这 最好的 数据 放 到 跑步 为了 神经 网络 只是 因为
那里 不是 a 所有的 很多 的 观察， 但 我是 使用 它 只是 b 因为
这 神经 网络 跑步 真的 快的。
在 这 案件， 如果 是 使满意 和 全部 的 这 规格
那 我们 有 在 我们的 模型， 我们 能 只是 去 前方 和 点击 跑步。
什么 这 有 完毕 是 它是 创建 那 设计 桌子
和 现在 它是 通过 通过 每个 的 那些 试验
进入 t 他 神经 网络 平台 和 给予 一个 输出。
如果 我们 看 在 这 家 窗户， 全部 这 有 完毕 是 它是 采取
那 调音 结果 桌子 和 我已经 隐 它
和 I 只是 带我 t 出去 进入 这 相同的 窗户 这里。
让我们 只是 去 在 到 这 下一个 一。
我们 能 工作 通过 那 数据 桌子 这里， 所以 它是 交互的。
什么 你 第一的 看 向上 这里 是 图形 建造者 报告。
T 他的 节目 你 全部 的 你的 不同的 参数，
所以 这 不同的 激活 函数 作为 出色地 作为 这 数字 的 节点
是 这 规模， 和 如何 这 验证 R- 平方 变化
和 尊重 到 每个 的 那些 个人 参数。
在 这 案件 的 分类 参数， 你 和 a 盒子 阴谋 显示 这 不同之处
在 这 价值观 这 方式。
我们 能 看 在 这 案件 或许 为了 强壮的 合身，
它是 得到 a 更宽 范围， 但 在 平均的 这是 g 正在 到 是 更好的。
这 中位数 价值 是 更好的。
是 更高 R- 平方。
我们 能 还 看 向下 这里 在 这 数据表，
它是 去 到 种类 这 数据 桌子 经过 这 验证 R- 平方
和 它 只是 色调 那些 a 更深 紫色的 取决于 在 这 价值。
让我们 看。
我们可以使用...
一 原因 I 只是 保留 这 数据 桌子 作为 它 是，
是 我们 能 探索 它 只是 喜欢 我们 探索 任何 数据 桌子 在 跳转，
所以 你 能 看 在 柱子 标题 或者 你 能 发射 图形 建造者
或者 做 各种各样的 分析 在 这 数据 桌子 作为 它 是 正确的 这里。
那里 区域 很少 额外的 数据 列 或者 列 那 是 额外
到 这 数据 桌子。
一， 它 记录 这 随机的 种子。
如果 你 想 到 复制 这， 你 知道 什么 随机的 种子 被使用
在 生成 这 n 欧洲 网络 模型， 节目 你 这 信息丰富 丢失的，
节目 你 这 过去 时间 为了 每个 的 这 模型。
如果 你 是 建筑 大的 模型 或者 你 可能 想 到 最小化 r 不合时宜，
然后 你 能 得到 一个 估计 f 如何 长的 它 可能 拿 为了 你 到 跑步
额外的 模型。
纳米DOE 只是 记录 什么 美国能源部 曾是 跑步。
这 曾是 这 第一的， 所以 它 获取 a 1.
作为 你会 看 我们 能 跑步 a 第二 和 第三， 和 你 能 然后 使用 那些
作为 一些 绘图工具。
还 告诉 你 这 类型 的 神经 网络 那 曾是 跑步。
无论 它 曾是 单身的- 分层的， 双倍的- 层，
或者 a 单身的- 层 和 提升。
有 a 夫妻 的 其他
列 那 是 额外。
这 因素 柱子 只是 让 你 跟踪 的 这 因素
那 是 用过的 在 这 设计 在 案件 你 想 到 比较 模型
那 有 不同的 因素 那 是 用过的 反而 的 只是 参数，
进而 还 a 排 柱子。
这 下一个 步骤 所以 我们 能 继续 建筑 出去。
或许 在 这 案件 是 探索 这 参数。
现在 我们已经 得到 a 基线 的 a 单身的 神经 网络
和 或许 我们 想 到 看 如何 这 比较 到 a 二- 层 神经 网络。
我们 能 去 后退 到 这 调音 发射 哪个 曾是 只是 最小化。
你 能 看 那 全部 的 这 报告， 这 图形 建造者 报告
作为 出色地 作为 这 桌子 是 只是一个 附加 到 这 调音 发射。
我们 能 去 后退 向上 到 t 他的 调音 发射 和 或许 I 想 到 看 在
二 隐 層。
出色地 去 到 二， 和 现在 患病的 放 在 a 范围 的
那些 结果 或者 那些 参数 和 保持 一切 别的 这 相同的。
你 能 看 它是 去 到 预载 这 随机的 种子 那 I 生成
在 这 第一的 美国能源部 只是 到 制作 当然 一切都 使用 这 相同的 随机的 种子。
出色地 保持 它 在 60， 甚至 尽管 我们 可能 想 到 增加 它
经过 a 小的 少量 自从 我们是 添加 一些 更多的 因素，
但 保持 它 简单的， 出色地 就走吧 和 60.
另一个 事物 只是 到 提到 是， 在 这 案件 它是 大概 漂亮的
低的 似然t 有 全部 的 这些 会 是 放 到 零 在 a 设计，
但 如果 他们 是 它会 只是 去 到 这 默认 和 跳转，
哪个 是 a 单身的 10小时 层。
你 不 有 到 担心 关于 拥有 a 神经 网络 和 零 层
或者 零 节点。
如果 是 使满意 和 这， 是 只是 去 到 点击 跑步。
尽管 这 是 跑步， 我是 只是 去 到 带来 向上 这 家 窗户。
你 能 看 什么 它是 正在做。
我们 得到 我们的 原来的 调音 结果 桌子 这里，
和 它是 建造 a 第二个 t 他的/她的 结果 桌子，
以及何时 它是 完成了，我 t 只是 附加 那 到 我们的 原来的 桌子。
现在 I 能 看 在 橙子， 是 全部 的 那些 第二- 层 模型。
我们 能 看 在 这 案件， 或许 拥有 二 层
曾是 不是 非常 有利 在 这 案件。
外观 喜欢 在 漂亮的 很多 全部 案件， 那些 神经 网络 是 不是 作为 好的。
然后 或许 只是 到 圆形的 这个， 是 去 到 去
并建立一些神经 网络 和 提升。
提升 是 a 真的 好的 方式 到 增加 这 预言 力量 的 我们的 模型。
是 去 到 指定 一些 提升 级别 从 1-10， 作为 出色地 作为
这 学习 速度 从 0.1 到 1.
一次 再次 我们的 随机的 种子 是 相同， 和 这些 是 去 到 拿
a 小的 少量 更长， 所以 我是 只是 去 到 减少 数字 的 运行
只是 在 这 兴趣 的 时间。
我们 能 点击 跑步 这里， 我们 得到 我们的 对话 盒子 那 告诉 我们
我们的 全面的 进步， 和 我们 能 看 这些 在 这 案例
在哪里 我们已经 大概 得到 很多 的 提升， 他们 可能 是 服用 a 小的 少量 的 时间。
在 这 案件 提升 神经 网络， 或者 神经 网络 那 有 提升
是 现在 这 紫色的， 和 我们 能 看 在 漂亮的 很多 全部 这 案例
紫色的 是 更高， 尤其 什么时候 它 看起来 喜欢
我们 能 看 经过 这些 盒子 情节 作为 出色地。
然后 我们 能 还 看 在 t 他的 案件 超过 这里 我们的 提升。
或许 我们 没有 成立 这 最大限度 数字 的 提升，
它 看起来 喜欢 它 继续 去 向上，
所以 我们 可能 想 到 添加 一些 额外的 提升 层 或者 或许
我们的 学习 速度 是 最好的 在 这 中间 到 高的 价值
反而 的 在 这 最低 学习 速度 值。
这 下一个 事物 我们 可能 w 在 到 做 一次 我们 有 这 最初的 看法
的 我们的 系统， 是 到 跑步 a 很少 的 这些 神经 网络 和 比较 他们。
我们 能 做 那 a 很少 方式。
我们 能 看 在 我们的 桌子 这里 nd 跑步 或者 和 选择 一些 神经 网络
基于 在 这 图形， 和 你 能 看 他们是 突出显示 向下 以下
在 我们的 数据 桌子 作为 出色地。
或许 什么 我们 想 到 做 是 跑步 这 顶部 四 或者 五。
I 想 到 跑步 这 顶部 五。
我不 有 到 去 后退 进入 这 神经 网络 平台 到 做 这，
I 能 只是 跑步 它 经过 点击 这 按钮， 跑步 已选择 模型。
现在 它是 去 到 跑步 那些 后退 进入 这 神经 网络 平台
和 给 我们 a 小的 输出 那 节目 我们 这 排 在 我们的 数据 桌子 那 曾是 跑步。
这 是 只是 这 标准 神经 网络 输出 现在。
我们 经过 通过 这 相同的 随机的 种子， 所以 如果 我们 拿 a 看 在 R 平方值下，
是 去 到 得到 这 相同的 神经 网络 那 曾是 发达
因为 是 使用 那， 通过 通过 那 相同的 种子。
然后 我们 能 来 通过 和 我们 能 拿 a 看 更多...
任何一个 这 更多的 概括 统计 价值观 或者 这 实际的 相对 预测，
或者 得到 这 分析器。
任何 我们 可能 想 到 做 比较 这些 神经 网络。
一 其他 事物 我们 可能 想 到 做 在 这 阶段
是 创造 一些 额外的 可视化。
我们 能 去 通过 和 我们 能 展示 这 调音 桌子。
如果 我们 不 想 到 工作 在我 t 这里， 我们 能 只是 取消隐藏 它，
和 现在 我们已经 得到 a 数据 桌子 那 我们 能 使用，
和 我们 能 去 进入 图形 建造者 和 或许 我们 想 到
拿 a 看 在 验证 相对 训练 R- 平方
只是 到 看 如何 那是 看， 或者 我们 能 去 通过。
因为 我们已经 得到 这 数字 的 美国能源部， 我们可以 追踪 如何 我们的 神经 网络
有 改进 和 我们的 调音。
I 能 去 进入 图形 建造者 和 I 能 使用 那 nDOE，
和 或许 我们 想 到 看 在 训练和验证 R 平方，
我们 能 转动 在 盒子 情节 和 我们 能 看 如何 我们的 调音 有 进步 超过 时间
和 每个 随后的 设计 那 我们 跑了。
其他 选项 是 如果 你 想 到 做 一些 更多的 分析 类型 分析 这里，
我们 能 去 进入 筛查 和 我们 能 跑步 预测器 篩選。
我们 能 拿 全部 的 那些 参数， 加载 他们 在 作为 预测因子，
和 看看 我们的 训练 和 验证 R- 平方。
点击 好的， 和 现在 我们 能 看 哪个 因素 可能 是 最多 有影响
在 训练 或者 验证。
不是 出奇， 那些 学习 费率 和 提升 关于 好的 在 这 验证。
有 不 结尾 到 什么 分析 你 可能 想 到 做，
在 这里 它是 只是 什么 你的 目标 的 这 神经 网络 曾是
和 在哪里 你 想 到 去 和 它。
但 你 能 做 那 全部 在 t 他的 数据 桌子 哪个 现在 有 160 神经 网络 模型。
或许 这些 神经 网络 模型 拿 a 小的 少量 的 时间，
所以另一个 事物 你 能 做 是 我们 能 只是 节省 这。
I 想 到 去 文件， 和我 能 节省 这。
我是 只是 g 正在 到 节省 它 到 我的 桌面 作为T 他的/她的 结果。
I 能 来 后退 到 这 之后。
现在 那 我已经 得到 它 保存， 我是 去 到 关闭 这。
一 事物 那 你会 得到 a 警告， 什么时候 你 关闭 它。
你 应该 只是 隐藏 这 数据 桌子。
如果 你 关闭 它， 它是 去 到 拿 它 出去 的 这 神经 网络 平台
和 你 惯于 是 有能力的 到 继续 你的 工作，
但 你 能 隐藏 它。
什么时候 你 得到 后退 到 这 添加- 在， 什么时候 你 关闭 这 窗户，
它是 只是 去 到 提醒 你 .
你可以 关闭 它 没有 保存 或者 你 能 取消 到 去 后退 和 节省 它。
是 只是 去 到 点击 好的。
什么时候 I 节省 这 调音 桌子 为了 之后， 所以 什么 I 能 做 是，
是 现在 I 能 重新启动 那 添加- 在 和 I 能 去 进入 这 调音 添加- 在，
点击 好的。
但 反而 的 重置 任何 参数 和 点击 跑步， I 能 去 到 加载。
什么 I 能 做 是 I 能 加载 a 之前 已保存 调音 桌子，
和 什么 这 做 是 让 我 在 这 案件 的 神经 网络
那 拿 a 长的 时间， 你 不 有 到 开始 超过 从 划痕。
你 能 只是 保持 建筑 在 这 桌子 那 你 通缉， 或者 或许 你 做
一些 额外的 分析 离线 和 想 到 来 后退 在
和 建造 一些 更多的 模型， 所以 你 能 去 通过 和 什么时候 你 指定
全部 这 不同的 参数 和 数字 的 调音 运行 你 想 到 有，
它是 只是 去 到 继续 附加 它 到 这 桌子。
和 那 让我们 最小化 这。
那是 快的 跑步 通过 的 二 这 不同的 选项
在 这 调音 桌子。
它是 真的 a 野蛮人 力量 方式。
你 能 看 有 不 汽车 调。 正确的 现在 它是 只是 跑步
全部 那些 不同的 范围 组合 给予 你 一个 主意
哪里 你的 最佳的 模型 可能 是 .
如何 你 可能 工作 这 进入 你的 工作流程 所以 你 能 探索 那些 参数，
这 是 本质上 什么 我们 做过 今天。
我们 看起来 在 单身的- 层 模型， 我们 看起来 在 模型 和 二 層。
单身的- 层 和 提升。
其他 事物 你 可能 做 是 去 后退 和 说，
“在 他， 在哪里 是 我的 最佳的 “模型？”
他们是 这里。
I 能 去 后退 到 这 调音 发射 和 或许 I 想 到 重新创建 那些 模型
和 去 更多的 向 这 范围。
它 看起来 喜欢 我加入 这 中间 范围 这里， 是 最佳的，
所以 反而 的 去 从 0-9， 或许 I 去 从 5-7 .
线性 模型 还 可能 是 最好的 在 这 中间，
和 或许 这 高斯， 有 一些 好的 一 在 这 左边，
所以 出色地 去 从 1-8 或者 某物 喜欢 那， 七 或者 八。
然后 我们 能 看 在 哪个... 在 这 案件， 那里 不是 一个 优势
到 拥有 它 在 或者 离开， 所以 我们 可以 只是 有 那些 离开，
或者 离开 或者 在。
但 它 看起来 喜欢 或许 在 这 案件 这 重量 衰变 曾是 这 最好的 方法，
所以 我们 可以 只是 包括 那 一 和 然后 去 通过
和 建造 一些 更多的 模型 和 a 狭窄的 范围 的 那些 参数。
我们 能 还 查看 范围 敏感度 到 a 随机的 种子。
在 这 案件 我们 能 经过 通过 任何一个 持续的 价值观
o r a 狭窄的 范围。
你 能 经过 通过 a 持续的 放 的 参数
只是 经过 环境 每个 范围 平等的 到 每个 其他，
和 它会 经过 那 通过 这 神经 网络 作为 五 每一个 时间，
或者 你 能 只是 指定 这 分钟 价值， 和 那 将要 经过 它 通过
作为 a 持续的 价值。
如果 我们 通缉 到 我们 可以 看 在
也许这个 曾是 a 神经 网络 那 曾是 一 那 我们 已识别 作为 最佳的，
但 I 想 到 看 如何 强壮的 它 是 到 这 随机的 种子。
什么 我们 能 做 是 我们 能 只是 说 只是 跑步 它 一次，
但 让我们 复制 它 和 20 随机的 种子。
那 可能 实际上 拿 a 小的 少量 的 时间，
所以 让我们 去 向下 到 10.
然后 我们 能...
实际上， I 不 想 到 做 那 在 这 一，
因为 我已经 得到 全部 那些 其他的， 但 出色地 只是 跑步 这。
你 可能 想 到 做 这 在 a 干净的 数据 桌子
在哪里 你是 不是 添加 它 到 这 设计， 但 我们 能 使用 b 因为 我们 有
这 数字 的 做 我们 可以 寻找 在哪里 那 随机的 种子 曾是。
我们 能 看 这里， 全部 这 不同的 随机的 种子
和 I 能 去 进入 图形 建造者 和 I 可以 只是 放 在
这 训练 和 验证 R- 平方， 和 然后 I 能 使用 当地的 数据 筛选 现在
在 我的 随机的 种子 到 展示 一切 除了 这 一 在哪里 我们 有 全部 那些。
现在 I 能 看 如何 强壮的 我的 模型 是 到 那 随机的 种子。
那是 这 相同的 设计 现在 跑步 10 次，
和 所以 在 平均的 我们 能 看 什么 这 中位数 价值 是
或者 这 范围 的 预期的 结果。
然后 最后，w e 能 加载 那些 已保存 数据 表。
那些 是 真的 有利 为了 神经 可能有的网络
真的 长的 计算 次， 所以 你 能 节省 它 离开
和 来 后退 到 它 之后。
那些 是 一些 工作流程 那 可能是 e 有帮助的 到 你 作为 你 建造
你的 神经 网络 模型。
I 只是 想 到 裹 向上 和 a 很少 教训 学到了。
这 曾是 这 第一的 脚本 项目 那 I 去了 通过
那 发达 一个 应用，
和 所以 I 思考 这 是 漂亮的 明显的 到 任何人 那是 发达 任何 JSL
或者 建造 任何 应用程序， 这 跳转 社区 是 真的
一个 无价 资源。
I 会 说 95% 的 全部 我的 问题， I 会 只是 去 到 这 社区
和 某人 别的 有 a 相似的 问题。
真的 推荐 如果 你 是 感兴趣的 在 建筑 添加- 插件，
建筑 应用程序， 这 社区 是 真的 这 第一的 地方 到 去。
真的吗， 你的 想像力 和 你的 目标 是 这 限制 因素
在 发展 这些 应用程序。
A 相似的 和 那是 因为 有 所以 许多 可能性，
那里 曾是 a 需要 到 保持 这 专注。
在 这 案件， I 只是 有... I 思考 在 一 迭代
I 有 许多 不同的 输出， 不同的 图表，
但 他们 不是 真的 这 心 的 这 应用。
因为 有 所以 许多 可能性， 我真的 尝试过 到 保持 这 专注
在 只是 给予 一些 图形 输出 到 导航 这 不同的 模型
和 跑步 他们 和 确认 哪个 可能 是 最多 合适的。
什么是 下一个？
I 真的 想 反馈。
它是 自私， 但 它是 什么 I 真的 想。
I 会 爱 到 听到 如何 人们 能 使用 这， 如何 它是 受益 他们。
你 能 寻找 这 在 这 社区， 在 这 添加- 在 部分 的 这 社区。
请 感觉 自由的 到 制作 a 邮政 这里， 告诉 我 如何 你是 使用 它。
I 做 有 a 很少 已知 问题， 和 作为 I 收集 更多的，
我是 当然 它是 不是 100% 漏洞- 证明， 但 这 将要 是 这 地方 到 去
到 得到 这 当前的 版本 的 这 插件 作为 出色地 作为 理解 任何 已知 问题。
但 ID 爱 到 听到 如何 你是 使用 它，
和 这 社区 是 a 伟大的 地方 到 做 那。
I 会 还 喜欢 到 听到 想法 在 额外的 報告。
I 保留 这 漂亮的 简单的， 但 如果 你 寻找 那 有 a 报告
那 你是 生成 每一个 时间 你 跑步 这，
ID 喜欢 到 知道 什么 那 是一个 nd 或许 我们 能 建造 那 进入 这 添加- 在。
我是 还 去 到 继续 调试。
那里 是 a 很少 已知 问题 那 我是 在职的 通过 正确的 现在，
和 然后 或许 a 更大 目标 是 到 尝试 到 做 那 汽车 调。
反而 的 正在做 这 野蛮人 力量 方法， 或许 开始 出去 和
一个小的 数字 o f 参数， 数字 出去 哪个 一
区域 影响 这 回复 这 最多， 和 然后 拥有 a 导演 调音。
和 那， ID 喜欢 到 谢谢 为了 倾听 到 这 推介会。
这 是 a 真的 乐趣 项目 和 I 希望 你 寻找 它 有用，
和 会 爱 到 听到 关于 它。
谢谢。
