全部
正確的。
你好
每個人。
我的 姓名 是 史考特 艾倫。
我是 a 系統 工程師 在 跳轉。
我是 去 到 是 呈現 a 神經 網路 調音 添加- 在
那 我已經 發達 真的 幫助 發展 神經 網路 模型
在 一個 自動化 方式 到 建造 許多 模型，
尋找 出去 哪個 參數 是 最多 有效的 在 大樓 這 最好的 模型。
什麼 ID 喜歡 到 做 只是稍微介紹一下背景
在 動機 為了 大樓 這 添加- 在。
我是 去 到 做 或許 a 演練， 描述，
什麼是 去 在 在 這 背景 什麼時候 你 跑步 這 添加- 在
和 然後 展示 a 使用 案件 為了 它。 A 樣本 工作流程。
然後就真正包起來 向上 和 一些 教訓 學到了。
這 曾是 我的 第一的 大的 腳本 專案, 所以 當然 學到了 a 很多 沿著 這 方式。
我想要 到 分享 那 和 然後 作為 出色地 作為 什麼是 下一個。
第一的， 只是 I 想 到 在這裡花 3、4 分鐘
只是 在 這 背景 和 動機。
很多 的 其他 機器 JMP中的學習平台 有 一些 有點
範圍 調音 功能，
無論 它是 a 調音 桌子 那 你 創造 外部 這 平台，
喜歡 在 引導程式 森林 或者 提升 樹木， 或者 一個 融合的 調音 設計
就像 支援 向量 機器 和 這 新的 XGBoost 平台。
但 有 不是 一 為了 神經 網路。
那 引領 到 一些 顧客 我和同事詢問此事。
「是 這 某物 那是 可用的？
是 那裡 腳本 出去 那裡 那 我們 能 使用？
是 那裡 一個 添加- 在？ 」
那裡 是 a 很少 事物 出去 那裡， 但 或許 不是 一切 在 一 地方。
然後 在 a 個人的 等級， 我已經 絕不 承擔 a 大的 腳本 專案.
我已經 完畢 一些 小的 JSL 腳本 自動化 工作流程，
或者 到 乾淨的 向上 數據， 但 I 有 絕不 建造 一個 應用。
這是，我 真的 通緝 a 專案 到 幫助我學習。
I 用過的 這 作為 一個 原諒 到 學習 JSL。
這 神經 網路 平台 在 JMP 中 強大的，
和 所以 患病的 只是 發射 它 真的 快的。
我是 當然 如果 你已經 見過 它...
I 將要 提到 I 是 使用 JMP PRO 版本 17.1 .
那是 在哪裡 全部 這 測試 有 發生了 為了 這 添加- 在。
I 有 不是 走了 向後 許多 版本。
I 會 建議 如果 你 是 去 到 使用這個
你 需要 到 有 跳轉 優點 和 在 至少 版本 17.1。
這 跳轉 神經 網路平台 是 真的 強大的
和 I 只是 想 到 拿 a 很少 分分鐘 去 透過 什麼 這 看起來 喜歡。
I 思考 每個人 有...
如果 你已經 用過的 神經 網路， 你已經 走了 透過 此工作流程
和 它是 a 真的 好的 靈活的 平台 為了 發展 這些 模型。
你 能 開始 離開 和 基準模型 和 或許 你是 不是 使滿意
和 這 表現 的 你的 模型 在 這 案件。
你 能 只是 去 後退 到 這 模型發布 和 你 能 調整 這 參數 這裡。
你 能 去 和 產生 其他 模型。
它是 容易 開始 改變 這些 參數
和 發現 模型 那 可能 是 這 最多 合適的 為了 你的 系統。
但 那裡 是 a 很多 的 選項 在 這裡。
你已經 得到 不同的 數位 的 節點， 你已經 得到 一 或者 二 層，
有 提升 選項 作為 出色地 作為 a 很多 的 不同的 配件 選項。
你 不 總是 知道...
它是 不是 總是 清除 哪個 的 這些 您需要更改的參數
在 命令 到 得到 這 最好的 模型 為了 這 數據 桌子 那 你是 在職的 在
和 這 預測變數 那 你是 使用。
它是 不是 總是 清除 如果 調整 a 範圍
是 去 到 帶領 到 a 更好的 模型。
你 只是 調整 向上 nd 向下， 或許 拿 大的 步驟
到 數位 出去 什麼是 去 在。
確實如此 要求 a 很多 的 手動的 調整 經過 這 使用者
在 命令 到 產生 這些 模型。
他們 是 漂亮的 快速地， 所以 它是 不是 時間- 消費 到 創造 這些
但 它 是的 要求 a 很多 的 點擊。
我的 目標 這裡 和 一些 的 我的 靈感 曾是 真的 到 提供 a 單身的 平台
為了 調音 和 評估 那些 神經 網路 模型。
I 曾是 也 受到啟發 那裡 是 一些 調音 腳本 出去 那裡。
缺口 謝爾頓 有 a 腳本 那 會 幫助 你 建立該表
和 跑步 它 和 評價 那些 模型。
標記 貝利 有 發達 一個 添加- 在 為了 這 作為 出色地，
和 那裡 是 奧梅 社群 貼文 那 是 嘗試 到 f 人物 出去 如何 到 做這個。
那些 是 全部 一些 開始 點 為了 這 添加- 在。
然後 I 真的 喜歡 這 XGBoost 添加- 在 介面.
它是 真的 乾淨的， 它是 得到 一些 圖形 輸出
和 它是 真的 簡單的 到 導航 和 讓 你 汽車 調 那些 網路。
這 添加- 在 那 我是 發展 不是 汽車 調音，
它是 真的 更多的 的 a 野蠻人 力量 方法。
只是 建造 很多 的 模型 和 然後 有 a 圖形 介面 那裡
到 幫助你 或者 尋找 這 最好的 一 為了 你的 系統。
讓我們 去 在 和 移動 在 o 只是 什麼 這 添加- 在 做 和 如何 到 使用 它。
到 發射 這 添加- 在， 只是 喜歡 最多 添加- 插件，
你 去 到 這 添加- 在 選單， 和 它是 稱為 神經 網路 調音。
那 需要 你 到 這 發射 對話。
這 給出 你 a 列角色 介面 這非常 相似的
到 許多 其他 平台。
我們 能 只是 選擇 全部 f 我們的 因素 這裡 和 我們的 回覆.
現在， 它 允許 a 單身的 Y 回覆,
和 它 能 是 任何一個 連續的 或者 絕對的。
這 添加- 在 現在 僅有的 有 這 二 驗證 方法，
所以 你 能 指定 a 驗證 柱子 和 兩個都 驗證 和測試。
設定 如果 你 有 那， 如果 你 不， 它是 只是 去 到 做 a 隨機的 阻礙，
這 預設 對於 t 他 神經 網路。
然後 你 能 指定 和 切換 或者 切換 這 資訊豐富 遺失的 作為 出色地。
但 出色地 只是 去 和 這 為了 現在。
我們 點選 好的， 和 那 需要 你 到 這 調音 發射。
這 調音 對話， 第一的， 給出 你 a 小的 位元 的 資訊
關於 什麼是 在 這 數據 桌子 和 什麼 你 指定的 作為 柱子 角色。
正確的 現在 我們已經 得到 這 數據 此處的表格， 這 模型 驗證 方法，
作為 出色地 作為 無論 或者 不是 我們 有 資訊豐富 遺失的 在 或者 離開。
然後 我們已經 得到 這 美國能源部 選項。
什麼 這 添加- 在 將要 做， 是 看 在 全部 這 範圍 範圍 那 你已經 放
和 創造 a 快速地， 靈活的， 空間- 填充 設計。
真的 這 僅有的 設計 規格 你 需要
是 到 放 這 數位 的 試驗 在 這 設計。
在 這 案件 我們已經 得到 預設情況下 它是 去 到 是 放 到 20，
和 有 一些 規則 的 拇指。
或許 你 想 到 指定 在 至少 10 治療 在 這 設計
為了 每一個 因素 那 你是 尋找 在， 但 它是 完全地 向上 到 這 用戶，
和 所以 出色地 來 後退 和 調整 那 如果 我們 需要 到。
你 能 也 複製 這 設計 和 a 不同的 隨機的 種子。
在 一些 案例 如果 你 想 到 看 如何 強壯的 你 可能 是
到 肯定 參數， 你 能 跑步 這 相同的 神經 網路 模型 20 次，
但 全部 和 不同的 隨機的 種子 到 看 如何 強壯的 這 模型 是 到 那。
然後 你 能 切換 無論 或者 不是 你 想 到 看 這 美國能源部 對話 那 節目 向上。
一次 你已經 走了 透過 美國能源部 選項 這裡，
你 能 來 向下 到 這 神經 網路 調音。
I 嘗試過 到 停留 漂亮的 真的 到 這 原來的 平台
在 這 神經 網路 經過 使用 相似的 語言 和 選項 這裡。
這 是 在哪裡 你 去吧，一個 nd 反而 的 指定 a 單身的 價值
為了 一 的 這些 參數， 是 去 到 指定 a 範圍。
也, 我是 限制 a 小的 位元 這 可用的 選項
為了 這 類型 的 神經 網路 那 你是 去 到 創造。
在 這 案件 你 能 產生 a 單身的 隱 層，
你 能 產生 二 隱 層， 或者 一 隱 層 和 提升。
現在， 這 神經 網路 平台 沒有 允許
a 第二 層 和 提升。
如果 你 嘗試 到 做 那 在 這 神經 網路 平台，
它 將要 給 你 a 警告 說 那 它是 去 到 忽略 那 第二 層。
在 這 添加- 在， I 只是 製作 它 所以 那 你 零 出去 全部 那些 第二 層
什麼時候 你 啟用設定 提升。
在 這 案件 是 去 對此 探索 這 數據 桌子 a 位元
也許 是 去 到 放 一些 寬的 範圍 的 調音 參數。
我是 去 到 去 從 0-9 在 每個 的 那些 激活函數 數位 的 節點。
超過 在 這 配件 選項， 你 不 有 到 一定
知道什麼 可能 是 最好的 為了 你的 系統， 你 能 只是 選擇 他們
到 是 部分 f 這 美國能源部， 或者 在 這 案件
其中 轉換 協變數 和 強壯的 合身 選項。
你 能 切換 他們 到 總是 是 離開， 總是 是 在， 或者 納入 DOE。
出色地 包括 兩個都 的 那些 在 這 美國能源部 為了 這 例子。
懲罰 方法。
你 能 測試 任何 或者 全部 這 不同的 方法。
如果 你 不 指定 任何 懲罰 方法， 它 將要 跑步
這 預設 懲罰 方法 平方。
但 是 去 到 查看 全部 的 那些。
你 能 也 指定 這 數位 的 旅遊 每 模型。
在 回想起來， I 大概 沒有 需要 到 添加 這
但因為 你 可以 做 某物 相似的 經過 只是 複製 全部 的 這 設計
和 看到 這 結果 從 每個 的 那些 模型。
但 它是 這裡 在 案件 你 想 到 調整 這 數位 的 旅遊。
你 能 也 指定 a 隨機的 種子。
在 這 案件， 我已經 得到，3，4，5，6。 六種不同的 因素 在 這 設計，
所以 我是 只是 去 到 或許 轉 t 他的 向上 到 60.
我是 去 到 創造 60 模型。
前 I 點選 跑步， 我是 g 正在 到 演講 a 小的 位元 關於
什麼是 去 在 什麼時候 你 點選 跑步。
這 第一的 事物 那 發生 當 y 或者 點選 跑步，
是 它是 去 到 創造 a 因素 桌子 和 僅有的 這 已選擇 參數。
我們選擇它。
在 這 案件 它會 創造 a 因素 桌子 和 單身的- 層 節點，
全部 的 這 不同的 配件 選項。
它是 不是 去 到 放 這 第二個 昨天 或者 任何 的 這 提升 參數
進入 這 因素 桌子。
那我 去 到 創造 a 回應表 在哪裡 這 訓練， 驗證，
和 測試 R- 平方 指定值
a nd 然後 它是 去 到 結合 那些 進入 a 單身的 桌子。
這 是 什麼 這 樣品 DOE 桌子 將要 看 喜歡。
它是 只是 去 到 有 這 回應 作為 這 R- 平方 價值觀
和 然後 全部 這 不同的 參數。
然後 這些 只是 得到 已通過 進入 這 神經 網路 平台 排- 經過- 排，
和 這 結果 展示 向上 在 這 數據 桌子。
只是 喜歡 是 說， 每個 的 那些 運行 在 這 設計 是 去 到 去 進入 這
神經 網路 模型 平台 依序 和 然後 我們 有 a 小的 對話 盒子
那是 去 到 表明 這 全面的 過程。
在 這 案件 的 真的 長的- 跑步 神經 網路，
它是 好的 到 只是 看 如何 迅速地 這 所有的 設計 是 去 到 去。
I 會 推薦 前 指定 a 大的 數位 的 試驗 在 這 設計
那 你 跑步 一 或者 二 前方 的 時間 只是 到 看
如何 長的 他們是 去 到 拿。
如果 你 有 相當 小的 數據 放， 然後 他們 去 漂亮的 迅速地， 但 如果 你 有
a 複雜的 數據 放， 他們 能 拿 有時 相當 a 儘管 到 跑步。
在 這 案件 我是 只是 使用 a 樣本 數據 放 從 這 樣本 數據 放 圖書館.
這 藥片 生產。
它是 不是 這 最好的 數據 放 到 跑步 為了 神經 網路 只是 因為
那裡 不是 a 所有的 很多 的 觀察， 但 我是 使用 它 只是 b 因為
這 神經 網路 跑步 真的 快的。
在 這 案件， 如果 是 使滿意 和 全部 的 這 規格
那 我們 有 在 我們的 模型， 我們 能 只是 去 前方 和 點選 跑步。
什麼 這 有 完畢 是 它是 創建 那 設計 桌子
和 現在 它是 透過 透過 每個 的 那些 試驗
進入 t 他 神經 網路 平台 和 給予 一個 輸出。
如果 我們 看 在 這 家 窗戶， 全部 這 有 完畢 是 它是 採取
那 調音 結果 桌子 和 我已經 隱 它
和 I 只是 帶我 t 出去 進入 這 相同的 窗戶 這裡。
讓我們 只是 去 在 到 這 下一個 一。
我們 能 工作 透過 那 數據 桌子 這裡， 所以 它是 互動的。
什麼 你 第一的 看 向上 這裡 是 圖形 建造者 報告。
T 他的 節目 你 全部 的 你的 不同的 參數，
所以 這 不同的 啟用設定 函數 作為 出色地 作為 這 數位 的 節點
是 這 規模， 和 如何 這 驗證 R- 平方 變化
和 尊重 到 每個 的 那些 個人 參數。
在 這 案件 的 分類 參數， 你 和 a 盒子 陰謀 顯示 這 不同之處
在 這 價值觀 這 方式。
我們 能 看 在 這 案件 或許 為了 強壯的 合身，
它是 得到 a 更寬 範圍， 但 在 平均的 這是 g 正在 到 是 更好的。
這 中位數 價值 是 更好的。
是 更高 R- 平方。
我們 能 也 看 向下 這裡 在 這 數據表，
它是 去 到 種類 這 數據 桌子 經過 這 驗證 R- 平方
和 它 只是 色調 那些 a 更深 紫色的 取決於 在 這 價值。
讓我們 看。
我們可以使用...
一 原因 I 只是 保留 這 數據 桌子 作為 它 是，
是 我們 能 探索 它 只是 喜歡 我們 探索 任何 數據 桌子 在 跳轉，
所以 你 能 看 在 柱子 標題 或者 你 能 發射 圖形 建造者
或者 做 各種各樣的 分析 在 這 數據 桌子 作為 它 是 正確的 這裡。
那裡 區域 很少 額外的 數據 列 或者 列 那 是 額外
到 這 數據 桌子。
一， 它 記錄 這 隨機的 種子。
如果 你 想 到 複製 這， 你 知道 什麼 隨機的 種子 被使用
在 產生 這 n 歐洲 網路 模型， 節目 你 這 資訊豐富 遺失的，
節目 你 這 過去 時間 為了 每個 的 這 模型。
如果 你 是 大樓 大的 模型 或者 你 可能 想 到 最小化 r 不合時宜，
然後 你 能 得到 一個 估計 f 如何 長的 它 可能 拿 為了 你 到 跑步
額外的 模型。
奈米DOE 只是 記錄 什麼 美國能源部 曾是 跑步。
這 曾是 這 第一的， 所以 它 獲取 a 1.
作為 你會 看 我們 能 跑步 a 第二 和 第三， 和 你 能 然後 使用 那些
作為 一些 繪圖工具。
也 告訴 你 這 類型 的 神經 網路 那 曾是 跑步。
無論 它 曾是 單身的- 分層的， 雙倍的- 層，
或者 a 單身的- 層 和 提升。
有 a 夫妻 的 其他
列 那 是 額外。
這 因素 柱子 只是 讓 你 追蹤 的 這 因素
那 是 用過的 在 這 設計 在 案件 你 想 到 比較 模型
那 有 不同的 因素 那 是 用過的 反而 的 只是 參數，
進而 也 a 排 柱子。
這 下一個 步驟 所以 我們 能 繼續 大樓 出去。
或許 在 這 案件 是 探索 這 參數。
現在 我們已經 得到 a 基線 的 a 單身的 神經 網路
和 或許 我們 想 到 看 如何 這 比較 到 a 二- 層 神經 網路。
我們 能 去 後退 到 這 調音 發射 哪個 曾是 只是 最小化。
你 能 看 那 全部 的 這 報告， 這 圖形 建造者 報告
作為 出色地 作為 這 桌子 是 只是一個 附加 到 這 調音 發射。
我們 能 去 後退 向上 到 t 他的 調音 發射 和 或許 I 想 到 看 在
二 隱 層。
出色地 去 到 二， 和 現在 患病的 放 在 a 範圍 的
那些 結果 或者 那些 參數 和 保持 一切 別的 這 相同的。
你 能 看 它是 去 到 預載 這 隨機的 種子 那 I 產生
在 這 第一的 美國能源部 只是 到 製作 當然 一切都 使用 這 相同的 隨機的 種子。
出色地 保持 它 在 60， 甚至 儘管 我們 可能 想 到 增加 它
經過 a 小的 位元 自從 我們是 添加 一些 更多的 因素，
但 保持 它 簡單的， 出色地 就走吧 和 60.
另一個 事物 只是 到 提到 是， 在 這 案件 它是 大概 漂亮的
低的 似然t 有 全部 的 這些 會 是 放 到 零 在 a 設計，
但 如果 他們 是 它會 只是 去 到 這 預設 和 跳轉，
哪個 是 a 單身的 10小時 層。
你 不 有 到 擔心 關於 擁有 a 神經 網路 和 零 層
或者 零 節點。
如果 是 使滿意 和 這， 是 只是 去 到 點選 跑步。
儘管 這 是 跑步， 我是 只是 去 到 帶來 向上 這 家 窗戶。
你 能 看 什麼 它是 正在做。
我們 得到 我們的 原來的 調音 結果 桌子 這裡，
和 它是 建造 a 第二個 t 他的/她的 結果 桌子，
以及何時 它是 完成了，我 t 只是 附加 那 到 我們的 原來的 桌子。
現在 I 能 看 在 橘子, 是 全部 的 那些 第二- 層 模型。
我們 能 看 在 這 案件， 或許 擁有 二 層
曾是 不是 非常 有利 在 這 案件。
外觀 喜歡 在 漂亮的 很多 全部 案件， 那些 神經 網路 是 不是 作為 好的。
然後 或許 只是 到 圓形的 這個， 是 去 到 去
並建立一些神經 網路 和 提升。
提升 是 a 真的 好的 方式 到 增加 這 預言 力量 的 我們的 模型。
是 去 到 指定 一些 提升 等級 從 1-10， 作為 出色地 作為
這 學習 速度 從 0.1 到 1.
一次 再次 我們的 隨機的 種子 是 相同， 和 這些 是 去 到 拿
a 小的 位元 更長， 所以 我是 只是 去 到 減少 數位 的 運行
只是 在 這 興趣 的 時間。
我們 能 點選 跑步 這裡， 我們 得到 我們的 對話 盒子 那 告訴 我們
我們的 全面的 進步， 和 我們 能 看 這些 在 這 案例
在哪裡 我們已經 大概 得到 很多 的 提升， 他們 可能 是 服用 a 小的 位元 的 時間。
在 這 案件 提升 神經 網路， 或者 神經 網路 那 有 提升
是 現在 這 紫色的， 和 我們 能 看 在 漂亮的 很多 全部 這 案例
紫色的 是 更高， 尤其 什麼時候 它 看起來 喜歡
我們 能 看 經過 這些 盒子 劇情 作為 出色地。
然後 我們 能 也 看 在 t 他的 案件 超過 這裡 我們的 提升。
或許 我們 沒有 成立 這 最大限度 數位 的 提升，
它 看起來 喜歡 它 繼續 去 向上，
所以 我們 可能 想 到 添加 一些 額外的 提升 層 或者 或許
我們的 學習 速度 是 最好的 在 這 中間 到 高的 價值
反而 的 在 這 最低 學習 速度 值。
這 下一個 事物 我們 可能 w 在 到 做 一次 我們 有 這 最初的 看法
的 我們的 系統， 是 到 跑步 a 很少 的 這些 神經 網路 和 比較 他們。
我們 能 做 那 a 很少 方式。
我們 能 看 在 我們的 桌子 這裡 nd 跑步 或者 和 選擇 一些 神經 網路
基於 在 這 圖形， 和 你 能 看 他們是 突出顯示 向下 以下
在 我們的 數據 桌子 作為 出色地。
或許 什麼 我們 想 到 做 是 跑步 這 頂部 四 或者 五。
I 想 到 跑步 這 頂部 五。
我不 有 到 去 後退 進入 這 神經 網路 平台 到 做 這，
I 能 只是 跑步 它 經過 點選 這 按鈕， 跑步 已選擇 模型。
現在 它是 去 到 跑步 那些 後退 進入 這 神經 網路 平台
和 給 我們 a 小的 輸出 那 節目 我們 這 排 在 我們的 數據 桌子 那 曾是 跑步。
這 是 只是 這 標準 神經 網路 輸出 現在。
我們 經過 透過 這 相同的 隨機的 種子， 所以 如果 我們 拿 a 看 在 R 平方值下，
是 去 到 得到 這 相同的 神經 網路 那 曾是 發達
因為 是 使用 那， 透過 透過 那 相同的 種子。
然後 我們 能 來 透過 和 我們 能 拿 a 看 更多...
任何一個 這 更多的 概括 統計 價值觀 或者 這 實際的 相對 預測，
或者 得到 這 分析器。
任何 我們 可能 想 到 做 比較 這些 神經 網路。
一 其他 事物 我們 可能 想 到 做 在 這 階段
是 創造 一些 額外的 可視化。
我們 能 去 透過 和 我們 能 展示 這 調音 桌子。
如果 我們 不 想 到 工作 在我 t 這裡， 我們 能 只是 取消隱藏 它，
和 現在 我們已經 得到 a 數據 桌子 那 我們 能 使用，
和 我們 能 去 進入 圖形 建造者 和 或許 我們 想 到
拿 a 看 在 驗證 相對 訓練 R- 平方
只是 到 看 如何 那是 看， 或者 我們 能 去 通過。
因為 我們已經 得到 這 數位 的 美國能源部， 我們可以 追蹤 如何 我們的 神經 網路
有 改進 和 我們的 調音。
I 能 去 進入 圖形 建造者 和 I 能 使用 那 nDOE，
和 或許 我們 想 到 看 在 訓練和驗證 R 平方，
我們 能 轉動 在 盒子 劇情 和 我們 能 看 如何 我們的 調音 有 進步 超過 時間
和 每個 隨後的 設計 那 我們 跑了。
其他 選項 是 如果 你 想 到 做 一些 更多的 分析 類型 分析 這裡，
我們 能 去 進入 篩檢 和 我們 能 跑步 預測器 篩選。
我們 能 拿 全部 的 那些 參數， 載入 他們 在 作為 預測因子，
和 看看 我們的 訓練 和 驗證 R- 平方。
點選 好的， 和 現在 我們 能 看 哪個 因素 可能 是 最多 有影響
在 訓練 或者 驗證。
不是 出奇， 那些 學習 費率 和 提升 關於 好的 在 這 驗證。
有 不 結尾 到 什麼 分析 你 可能 想 到 做，
在 這裡 它是 只是 什麼 你的 目標 的 這 神經 網路 曾是
和 在哪裡 你 想 到 去 和 它。
但 你 能 做 那 全部 在 t 他的 數據 桌子 哪個 現在 有 160 神經 網路 模型。
或許 這些 神經 網路 模型 拿 a 小的 位元 的 時間，
所以另一個 事物 你 能 做 是 我們 能 只是 節省 這。
I 想 到 去 文件， 和我 能 節省 這。
我是 只是 g 正在 到 節省 它 到 我的 桌面 作為T 他的/她的 結果。
I 能 來 後退 到 這 之後。
現在 那 我已經 得到 它 保存， 我是 去 到 關閉 這。
一 事物 那 你會 得到 a 警告， 什麼時候 你 關閉 它。
你 應該 只是 隱藏 這 數據 桌子。
如果 你 關閉 它， 它是 去 到 拿 它 出去 的 這 神經 網路 平台
和 你 慣於 是 有能力的 到 繼續 你的 工作，
但 你 能 隱藏 它。
什麼時候 你 得到 後退 到 這 添加- 在， 什麼時候 你 關閉 這 窗戶，
它是 只是 去 到 提醒 你 .
你可以 關閉 它 沒有 儲存 或者 你 能 取消 到 去 後退 和 節省 它。
是 只是 去 到 點選 好的。
什麼時候 I 節省 這 調音 桌子 為了 之後， 所以 什麼 I 能 做 是，
是 現在 I 能 重新啟動 那 添加- 在 和 I 能 去 進入 這 調音 添加- 在，
點選 好的。
但 反而 的 重置 任何 參數 和 點選 跑步， I 能 去 到 載入.
什麼 I 能 做 是 I 能 載入 a 之前 已儲存 調音 桌子，
和 什麼 這 做 是 讓 我 在 這 案件 的 神經 網路
那 拿 a 長的 時間， 你 不 有 到 開始 超過 從 刮痕。
你 能 只是 保持 大樓 在 這 桌子 那 你 通緝， 或者 或許 你 做
一些 額外的 分析 離線 和 想 到 來 後退 在
和 建造 一些 更多的 模型， 所以 你 能 去 透過 和 什麼時候 你 指定
全部 這 不同的 參數 和 數位 的 調音 運行 你 想 到 有，
它是 只是 去 到 繼續 附加 它 到 這 桌子。
和 那 讓我們 最小化 這。
那是 快的 跑步 透過 的 二 這 不同的 選項
在 這 調音 桌子。
它是 真的 a 野蠻人 力量 方式。
你 能 看 有 不 汽車 調。 正確的 現在 它是 只是 跑步
全部 那些 不同的 範圍 組合 給予 你 一個 主意
哪裡 你的 最佳的 模型 可能 是 .
如何 你 可能 工作 這 進入 你的 工作流程 所以 你 能 探索 那些 參數，
這 是 本質上 什麼 我們 做過 今天。
我們 看起來 在 單身的- 層 模型， 我們 看起來 在 模型 和 二 層。
單身的- 層 和 提升。
其他 事物 你 可能 做 是 去 後退 和 說，
「在 他， 在哪裡 是 我的 最佳的 “模型？”
他們是 這裡。
I 能 去 後退 到 這 調音 發射 和 或許 I 想 到 重新創建 那些 模型
和 去 更多的 向 這 範圍。
它 看起來 喜歡 我加入 這 中間 範圍 這裡， 是 最佳的，
所以 反而 的 去 從 0-9， 或許 I 去 從 5-7 .
線性 模型 也 可能 是 最好的 在 這 中間，
和 或許 這 高斯， 有 一些 好的 一 在 這 左邊，
所以 出色地 去 從 1-8 或者 某物 喜歡 那， 七 或者 八。
然後 我們 能 看 在 哪個... 在 這 案件， 那裡 不是 一個 優勢
到 擁有 它 在 或者 離開， 所以 我們 可以 只是 有 那些 離開，
或者 離開 或者 在。
但 它 看起來 喜歡 或許 在 這 案件 這 重量 衰變 曾是 這 最好的 方法，
所以 我們 可以 只是 包括 那 一 和 然後 去 透過
和 建造 一些 更多的 模型 和 a 狹窄的 範圍 的 那些 參數。
我們 能 也 查看 範圍 敏感度 到 a 隨機的 種子。
在 這 案件 我們 能 經過 透過 任何一個 持續的 價值觀
o r a 狹窄的 範圍。
你 能 經過 透過 a 持續的 放 的 參數
只是 經過 環境 每個 範圍 平等的 到 每個 其他，
和 它會 經過 那 透過 這 神經 網路 作為 五 每一個 時間，
或者 你 能 只是 指定 這 分分鐘 價值， 和 那 將要 經過 它 透過
作為 a 持續的 價值。
如果 我們 通緝 到 我們 可以 看 在
也許這個 曾是 a 神經 網路 那 曾是 一 那 我們 已識別 作為 最佳的，
但 I 想 到 看 如何 強壯的 它 是 到 這 隨機的 種子。
什麼 我們 能 做 是 我們 能 只是 說 只是 跑步 它 一次，
但 讓我們 複製 它 和 20 隨機的 種子。
那 可能 實際上 拿 a 小的 位元 的 時間，
所以 讓我們 去 向下 到 10.
然後 我們 能...
實際上， I 不 想 到 做 那 在 這 一，
因為 我已經 得到 全部 那些 其他的， 但 出色地 只是 跑步 這。
你 可能 想 到 做 這 在 a 乾淨的 數據 桌子
在哪裡 你是 不是 添加 它 到 這 設計， 但 我們 能 使用 b 因為 我們 有
這 數位 的 做 我們 可以 尋找 在哪裡 那 隨機的 種子 曾是。
我們 能 看 這裡， 全部 這 不同的 隨機的 種子
和 I 能 去 進入 圖形 建造者 和 I 可以 只是 放 在
這 訓練 和 驗證 R- 平方， 和 然後 I 能 使用 當地的 數據 篩選 現在
在 我的 隨機的 種子 到 展示 一切 除了 這 一 在哪裡 我們 有 全部 那些。
現在 I 能 看 如何 強壯的 我的 模型 是 到 那 隨機的 種子。
那是 這 相同的 設計 現在 跑步 10 次，
和 所以 在 平均的 我們 能 看 什麼 這 中位數 價值 是
或者 這 範圍 的 預期的 結果。
然後 最後，w e 能 載入 那些 已儲存 數據 表。
那些 是 真的 有利 為了 神經 可能有的網絡
真的 長的 計算 次， 所以 你 能 節省 它 離開
和 來 後退 到 它 之後。
那些 是 一些 工作流程 那 可能是 e 有幫助的 到 你 作為 你 建造
你的 神經 網路 模型。
I 只是 想 到 裹 向上 和 a 很少 教訓 學到了。
這 曾是 這 第一的 腳本 專案 那 I 去了 透過
那 發達 一個 應用，
和 所以 I 思考 這 是 漂亮的 明顯的 到 任何人 那是 發達 任何 JSL
或者 建造 任何 應用程式, 這 跳轉 社群 是 真的
一個 無價 資源。
I 會 說 95% 的 全部 我的 問題， I 會 只是 去 到 這 社群
和 某人 別的 有 a 相似的 問題。
真的 推薦 如果 你 是 有興趣的 在 大樓 添加- 插件，
大樓 應用程式, 這 社群 是 真的 這 第一的 地方 到 去。
真的嗎， 你的 想像力 和 你的 目標 是 這 限制 因素
在 發展 這些 應用程式.
A 相似的 和 那是 因為 有 所以 許多 可能性，
那裡 曾是 a 需要 到 保持 這 專注。
在 這 案件， I 只是 有... I 思考 在 一 迭代
I 有 許多 不同的 輸出， 不同的 圖表，
但 他們 不是 真的 這 心 的 這 應用。
因為 有 所以 許多 可能性， 我真的 嘗試過 到 保持 這 專注
在 只是 給予 一些 圖形 輸出 到 導航 這 不同的 模型
和 跑步 他們 和 確認 哪個 可能 是 最多 合適的。
什麼是 下一個？
I 真的 想 回饋.
它是 自私， 但 它是 什麼 I 真的 想。
I 會 愛 到 聽到 如何 人們 能 使用 這， 如何 它是 受益 他們。
你 能 尋找 這 在 這 社區， 在 這 添加- 在 部分 的 這 社區。
請 感覺 自由的 到 製作 a 郵政 這裡， 告訴 我 如何 你是 使用 它。
I 做 有 a 很少 已知 問題， 和 作為 I 收集 更多的，
我是 當然 它是 不是 100% 漏洞- 證明， 但 這 將要 是 這 地方 到 去
到 得到 這 目前的 版本 的 這 外掛 作為 出色地 作為 理解 任何 已知 問題。
但 ID 愛 到 聽到 如何 你是 使用 它，
和 這 社群 是 a 偉大的 地方 到 做 那。
I 會 也 喜歡 到 聽到 想法 在 額外的 報告。
I 保留 這 漂亮的 簡單的， 但 如果 你 尋找 那 有 a 報告
那 你是 產生 每一個 時間 你 跑步 這，
ID 喜歡 到 知道 什麼 那 是一個 nd 或許 我們 能 建造 那 進入 這 添加- 在。
我是 也 去 到 繼續 偵錯.
那裡 是 a 很少 已知 問題 那 我是 在職的 透過 正確的 現在，
和 然後 或許 a 更大 目標 是 到 嘗試 到 做 那 汽車 調。
反而 的 正在做 這 野蠻人 力量 方法， 或許 開始 出去 和
一個小的 數字 o f 參數， 數位 出去 哪個 一
區域 影響 這 回覆 這 最多， 和 然後 擁有 a 導演 調音。
和 那， ID 喜歡 到 謝謝 為了 傾聽 到 這 推介會。
這 是 a 真的 樂趣 專案 和 I 希望 你 尋找 它 有用，
和 會 愛 到 聽到 關於 它。
謝謝。
