характеристики, применение, цена за куб

Главная » Бетон » Песок и щебень

Песок и щебень

Автор Георгий Русиев На чтение 3 мин Просмотров 559 Опубликовано 21.03.2015

Природный камень – многофункциональный строительный материал. На всех стройплощадках востребован результат его дробления – щебень. Побочный продукт производства – так называемый отсев – не менее интересен покупателям. Почему? Расскажем об этом в статье.

Что представляет собой?

Отсев щебня – это продукт дробления горных пород фракцией 0,1-5 мм. Образуется после того, как измельченный камень просеивается через специальные сита с различным диаметром «окна». Щебень делится на крупно-, средне-, мелкофракционный и отсеянный песок. Свойства его аналогичны исходному сырью, цвет зависит от типа скальной породы. Отлично заменяет карьерный песок, позволяет существенно снизить затраты.

Неопытный покупатель поинтересуется, что такое отсев гранитного щебня? Почему прораб требует именно такой, а не какой-нибудь другой? И есть ли другие разновидности? На все эти вопросы ответит краткая характеристика.

Виды и описание

Отсев щебня различается по исходному сырью. В зависимости от породы камня различают:

1. Гранитный с насыпной плотностью от 1320 до 1340 кг/м³. Стандартная доля примесей (глины, ила, пыли и тому подобное) не должна превышать 0,4 %. Прочность на сжатие соответствует М1200, то есть выдерживает до 120 МПа. Массовая доля зерен с формой в виде вытянутого игольчатого либо пластинчатого осколка (лещадность) – не более 14,5 %. Этот параметр характеризует степень удобоукладываемости. Дело в том, что «дробленка» кубовидной формы поддается утрамбовке лучше всего, а количество пустот – минимально. Таким образом, низколещадный отсев в бетонных смесях гранитного щебня выбирается для производства высокоплотного железобетона, верхней части дорожного полотна. А, к примеру, для садовых дорожек, керамических изделий, тротуарной плитки подходит наполнитель со средним и высоким уровнем лещадности. Цена гранитного отсева – от 800 руб/м³.

2. Гравийный отсев с насыпной плотностью 1400 кг/м³. Размер зерен – от 0,16 до 2,5 мм, соответствует марке прочности М800-М1000. Массовая доля примесей пыли, глины и других включений не должна превышать 0,6 %, лещадность – до 17 %. Активно применяется при строительстве и ремонте дорожного полотна, плит для мощения спортивных и детских площадок, садово-парковых зонах и так далее. Стоимость гравийного сырья – от 400 руб/м³.

3. Известняковый с насыпной плотностью 1300 кг/м³. Модуль крупности зерен – 2-5 мм, соответствует марке прочности М400-М800. Доля примесей не должна превышать 2 %, уровень лещадность – до 12 %. Часто используется в зимнее время против обледенения улиц – как заменитель реагентов, также для замеса асфальтобетона, в ландшафтном дизайне. Реже – в качестве наполнителя готовых цементосодержащих смесей для укладки керамогранита, штукатурных работ и так далее. Нашел свое применение этот материал и в сельском хозяйстве – его любят производители удобрений за небольшую стоимость и высокую эффективность. Цена начинается от 150 руб/м³.

Указанные стоимостные показатели варьируются в зависимости от способа доставки, объема выборки, размера зерен и других факторов. Кроме того, некоторые продавцы предоставляют покупателям скидки за самовывоз продукции и крупный опт.

Отличия отсевов от песка и щебня

Отсев вполне успешно заменяет более дорогой песок, но эти материалы абсолютно разные как по свойствам, так и по характеристикам. Силикаты содержат большее количество глинистых и грунтовых примесей. К тому же песчаное сырье редко разделяют по гранулометрическому составу, что накладывает ограничения на его применение в некоторых сферах. К тому же вместо самого дорогого – сеяного песка – производители готовых смесей предпочитают использовать отсев щебня именно из-за цены.

Что такое отсев щебня и где он используется?

Отсев щебня — это природный материал, который остается в результате дробления твердых горных пород. Он образуется после того, как самые крупные осколки щебня будут распределены по фракциям. Таким образом, к отсеву относят самые мелкие элементы размером до 1 см. Из-за этого зачастую употребляется синоним данного понятия: песок из отсевов дробления. 

Характеристики материала

Долгое время ввиду своего происхождения отсев считался материалом, непригодным для использования. Кроме того, многие считают его аналогом песок. Однако со временем отсев стал активно применяться, и сейчас считается достаточно востребованным материалом.

Для него характерны следующие параметры:

1. Прочность. Под данной характеристикой понимаю способность отсева выдерживать механические нагрузки. Показатель измеряется в кг/см2;
2. Размер.  Крупность отдельных элементов, или фракция, которая измеряется в мм;
3. Насыпная плотность. От данного показателя зависит, насколько плотно можно уложить материал. Измеряется в кг/м3;
4. Морозостойкость. Важный показатель, который фиксирует количество циклов замерзания и разморозки, который может выдержать отсев;
5. Лещадность. Ключевой показатель для щебня, измеряемый в процентном соотношении и указывающий на наличие плоских и игольчатых зерен в составе массы;
6. Количество примесей. В процентном соотношении также измеряется концентрация примесей;
7. Удельная эффективная радиоактивность. Данный показатель измеряется в Бк/кг.

Сравнение самых популярных видов отсева

Чаще всего в работе используется один из двух видов щебня: гранитный и гравийный. Следовательно, и отсев производят из этих же материалов.

Возьмите на заметку: щебень также производят из известняка, и такой материал обладает наименьшей прочностью по сравнению со всеми остальными материалами.  

Отсев щебня применяется для экономии. Например, добавив его в бетон, можно существенно снизить стоимость смеси, при этом не теряя показателей качества. Однако полностью заменить им ни песок, ни щебень более крупных фракций нельзя. Большие осколки камней требуют меньшего количества цементного раствора, который служит для заполнения промежутков между ними. А песок в свою очередь в связи с цементом образует прочный клеящий состав. 

Применение отсева щебня

Одно из основных преимуществ отсева — стоимость, которая существенно ниже, чем у исходного сырья. И при этом характеристики сохраняются те же, что и у остальных фракций щебня. Это позволило найти отсеву применение в следующих отраслях:

• Строительство. Отсев активно используется при производстве бетона, создании железобетонных конструкций и др. Причем блоки, произведенные с применением данного материала, пользуются большой популярностью среди строительных организаций благодаря низкой стоимости, экологичности и удобству транспортировки.  
• Ландшафтный дизайн. Крашеный щебень является популярным материалом для устройства садовых дорожек, клумб, подпорных стенок.
• Устройство противоскользящих покрытий. Благодаря наличию острых граней у отдельных элементов, отсев становится идеальным материалом для создания различных типов противоскользящих полов и других типов покрытий. Также отсевом посыпают трассы в гололедицу.
• Дренаж. Наличие мелких каменных частиц в системе дренажа помогает фильтровать и очищать воду.
• Изготовление удобрений. Отсев применяется при создании полимерных покрытий и сельскохозяйственных удобрений. 

Вам также может быть интересно

Дорожки на даче из вторичного щебня

Для дачных дорожек можно использовать разные материалы, но часто подыскивают что-то бюджетное. Лучшим подходящим вариантом можно назвать вторичный щебень. Характеристики этого материала позволяют создать насыпи, которые не утопают в воде и грязи, не расползаются при сухой и …

Методы дробления горной породы на щебень и способы сортировки измельченного материала

После того как породу загружают в специальные самосвалы, ее доставляют к перерабатывающему заводу. Сырье сразу же попадают в питатели – установки, подающие камень равномерными порциями.  Изначально куски породы чрезмерно большие, потому подлежат дроблению, в ходе которого измельчаются …

Уплотнение грунта щебнем: что нужно знать?

Грунт уплотняют щебнем, если у основания нет достаточной несущей способности, которая позволит строить на нем здание или прокладывать дорогу. Также нужно уплотнение и грунтам, по которым трудно ходить. Но зачем нужно уплотнение и что оно дает? Вот …

Почему стоит доверить демонтаж профессионалам: 5 убедительных доводов

Строительство – одна из бурно развивающихся сфер сегодня. Куда не повернись, кругом или заканчивается возведение чего-то или только начинается, и так до бесконечности. В связи с этим возникает высокая потребность в свободной незастроенной территории, но найти такую …

Что такое отсев? Понимание отсева в нейронных сетях

Корпоративный ИИ

По

• Мэри Э. Шеклетт,
  Данные Transworld

Что такое отсев в глубоких нейронных сетях?

Отсев относится к данным или шуму, который намеренно удаляется из нейронной сети, чтобы улучшить обработку и ускорить получение результатов.

Нейронная сеть — это программное обеспечение, пытающееся имитировать действия человеческого мозга. Человеческий мозг содержит миллиарды нейронов, которые посылают друг другу электрические и химические сигналы для координации мыслей и жизненных функций. Нейронная сеть использует программный эквивалент этих нейронов, называемый единиц . Каждый блок получает сигналы от других блоков, а затем вычисляет выходные данные, которые он передает другим нейронам/блокам или узлам в сети.

Зачем нужен отсев?

Проблема программных нейронных сетей состоит в том, что они должны найти способы уменьшить шум миллиардов нейронных узлов, взаимодействующих друг с другом, чтобы вычислительные возможности сетей не были превышены. Для этого сеть удаляет все сообщения, которые передаются ее нейронными узлами и не имеют прямого отношения к проблеме или обучению, над которыми она работает. Срок ликвидации этого нейронного узла отсев .

Выпадающие слои

Подобно нейронам человеческого мозга, единицы нейронной сети случайным образом обрабатывают множество входных данных, а затем запускают множество выходных сигналов в любой момент времени. Процесс и результаты каждого блока могут быть промежуточными выходными активациями, которые передаются другому блоку для дальнейшей обработки задолго до конечного результата или итоговых результатов. Часть этой обработки заканчивается шумом, который является промежуточным результатом действий по обработке, но не конечным результатом.

Когда специалисты по данным применяют отсев к нейронной сети, они учитывают характер этой случайной обработки. Они принимают решения о том, какой шум данных следует исключить, а затем применяют отсев к различным слоям нейронной сети следующим образом:

• Входной слой. Это самый верхний уровень искусственного интеллекта (ИИ) и машинного обучения, на который поступают исходные необработанные данные. Отсев может применяться к этому слою видимых данных в зависимости от того, какие данные считаются нерелевантными для решаемой бизнес-задачи.
• Промежуточные или скрытые слои. Это уровни обработки после приема данных. Эти слои скрыты, потому что мы не можем точно видеть, что они делают. Слои, которых может быть один или несколько, обрабатывают данные, а затем передают промежуточные — но не окончательные — результаты, которые они отправляют другим нейронам для дополнительной обработки. Поскольку большая часть этой промежуточной обработки в конечном итоге окажется шумом, специалисты по данным используют отсев, чтобы исключить некоторые из них.
• Выходной слой. Это окончательный видимый результат обработки всех нейронных блоков. Dropout не используется на этом слое.

На этих изображениях показаны различные слои нейронной сети до и после применения исключения.

Примеры и использование dropout

Организация, отслеживающая передачу звука из космоса, ищет повторяющиеся, шаблонные сигналы, поскольку они могут быть возможными признаками жизни. Необработанные сигналы подаются в нейронную сеть для выполнения анализа. Заранее специалисты по обработке и анализу данных излучают все входящие звуковые сигналы, которые не повторяются и не являются шаблонными. Они также исключают процент промежуточных, скрытых слоев, чтобы сократить время обработки и ускорить получение результатов.

Вот еще один реальный пример, показывающий, как работает отсев: биохимическая компания хочет разработать новую молекулярную структуру, которая позволит ей производить революционную форму пластика. Компании уже известны отдельные элементы, из которых будет состоять молекула. Чего он не знает, так это правильной формулировки этих элементов.

Чтобы сэкономить время и средства обработки, компания разработала нейронную сеть, которая может оценивать сокровища мировых исследований, но будет принимать и обрабатывать только те исследования, которые непосредственно относятся к молекуле и ее идентифицированным элементам. Любая другая информация автоматически исключается как нерелевантная и отбрасывается. Исключая ненужные данные заранее, модель искусственного интеллекта этой биохимической компании позволяет избежать явления, известного как переобучение. Переобучение происходит, когда модель ИИ пытается предсказать тенденцию на основе слишком зашумленных данных, потому что посторонние данные не были отброшены в начале процесса.

Следующий шаг: узнайте о различных типах машинного обучения и о том, как они влияют на современный бизнес.

Последнее обновление: март 2021 г.

Продолжить чтение о выпадении

• Блокчейн и глубокая нейронная сеть демонстрируют обещание цифрового архива

• Обучение GAN основано на калибровке двух нестабильных нейронных сетей

• Глубокое обучение и нейронные сети получают коммерческую основу

• Предвзятость в примерах машинного обучения: полицейская деятельность, банковское дело, COVID-19

• Глубокое обучение: что вам нужно знать

Копать глубже в технологиях ИИ

• нейроморфные вычисления

  Автор: Ник Барни

• сверточная нейронная сеть (CNN)

  Автор: Рахул Авати

• Какова роль машинного обучения в сети?

  Автор: Джон Берк

• Сила двух: квантовые или нейроморфные вычисления?

  Автор: Клифф Саран

Бизнес-аналитика

• 
  Поставщик ипотечных данных использует Qlik для создания аналитической платформы

  Polygon Research использовала инструменты поставщика аналитики для разработки платформы SaaS, состоящей из девяти панелей мониторинга, которые ипотечные . ..

• 
  Генеральный директор Tableau Марк Нельсон уходит в отставку, преемник не назван

  Нельсон занял руководящую должность в марте 2021 года после ухода Адама Селипски. Salesforce, которая приобрела …

• 
  Моделирование и предиктивная аналитика расширяют возможности прогнозирования

  Аналитика моделирования и прогнозирования охватывает два разных способа прогнозирования данных. Вместе они могут повысить возможности, но…

ИТ-директор

• 
  Федеральная частная работа стимулирует прогресс в области наблюдения за Землей

  Наблюдение за Землей является основным двигателем глобальной космической экономики, и федеральные агентства сотрудничают с коммерческими …

• 
  Топ-9 блокчейн-платформ, которые стоит рассмотреть в 2023 году

  Получите подробную информацию об основных функциях, отличительных чертах, сильных и слабых сторонах платформ блокчейна, получив наиболее . ..

• 
  Развивающаяся космическая отрасль создаст новые рабочие места и продукты

  Растущая космическая отрасль создает возможности для бизнеса в космосе, начиная от наблюдения Земли и связи до космоса …

Управление данными

• 
  Кто такой аналитик хранилища данных?

  Аналитики хранилища данных помогают организациям управлять хранилищами аналитических данных и эффективно их использовать. Вот посмотрите на …

• 
  Оценка вариантов развертывания хранилища данных и вариантов использования

  В архитектуре данных все еще есть место для хранилищ данных. Но сначала спросите, нужен ли он вашей организации и какого типа…

• 
  EDB добавляет новые инструменты в базу данных PostgreSQL с открытым исходным кодом

  Поставщик базы данных выпустил новые расширения, призванные помочь пользователям PostgreSQL в использовании передовых методов хранения, доступа пользователей и . ..

ЭРП

• 
  Переосмысление фабричного цеха как рабочего места в метавселенной

  Технический директор Plex Джерри Фостер объясняет, как технология виртуальной реальности и высокоскоростное подключение могут позволить рабочим на производственной линии выполнять …

• 
  Microsoft выходит на новый рынок с платформой цепочки поставок

  Раньше Microsoft выполняла операции по цепочке поставок в электронных таблицах Excel; теперь он предоставляет строительные блоки для компаний, чтобы …

• 
  RFID в цепочке поставок: 6 примеров использования сегодня

  RFID по-прежнему применим для управления цепочками поставок. Вот шесть способов, которыми организации могут использовать его для поддержки инвентаризации…

Отсев в нейронных сетях. Выпадающие слои были популярны… | by Harsh Yadav

Выпадающие слои были популярным методом уменьшения переобучения нейронных сетей.

Это король преступного мира регуляризации в современную эпоху глубокого обучения.

В нашу эпоху глубокого обучения почти каждый специалист по обработке и анализу данных, должно быть, использовал слой отсева в какой-то момент своей карьеры в построении нейронных сетей. Но почему отсев так распространен? Как работает выпадающий слой внутри? Какую проблему он решает? Есть ли альтернатива увольнению?

Рисунок 0: Индийский Джарохе, выпадающий свет (Изображение автора)

Если у вас есть похожие вопросы относительно выпадающих слоев, то вы попали по адресу. В этом блоге вы узнаете о тонкостях знаменитых выпадающих слоев. После завершения этого блога вам будет удобно отвечать на различные вопросы, связанные с отсевом, и если вы более новаторский человек, вы можете придумать более продвинутую версию слоев отсева.

Начнем… 🙂

Этот блог разделен на следующие разделы:

1. Введение: проблема, которую он пытается решить
2. Что такое отсев?
3. Как это решает проблему?
4. Реализация Dropout
5. Dropout во время вывода
6. Как это было задумано
7. Реализация Tensorflow
8. Заключение

Итак, прежде чем углубиться в его мир, давайте ответим на первый вопрос. Какую проблему мы пытаемся решить?

Глубокие нейронные сети имеют различную архитектуру, иногда неглубокую, иногда очень глубокую, пытающуюся обобщить заданный набор данных. Но в этом стремлении слишком усердно изучать различные функции из набора данных они иногда изучают статистического шума в наборе данных. Это определенно улучшает производительность модели в обучающем наборе данных, но значительно терпит неудачу в новых точках данных (тестовый набор данных). Это проблема переобучения . Чтобы решить эту проблему, у нас есть различные методы регуляризации, которые снижают вес сети, но этого было недостаточно.

Лучший способ уменьшить переоснащение или лучший способ упорядочить модель фиксированного размера — получить средние прогнозы для всех возможных значений параметров и агрегировать окончательный результат. Но это становится слишком затратным с вычислительной точки зрения и неприемлемым для вывода/предсказания в реальном времени.

Другой способ вдохновлен методами ансамбля (такими как AdaBoost, XGBoost и Random Forest), где мы используем несколько нейронных сетей с различной архитектурой. Но для этого требуется обучение и хранение нескольких моделей, что со временем становится огромной проблемой по мере того, как сети становятся глубже.

Итак, у нас есть отличное решение, известное как Dropout Layers.

Рисунок 1: Исключение, примененное к стандартной нейронной сети (изображение Nitish)

Термин «выпадение» относится к исключению узлов (входной и скрытый слой) в нейронной сети (как показано на рисунке 1). Все прямые и обратные соединения с отброшенным узлом временно удаляются, таким образом создавая новую сетевую архитектуру из родительской сети. Узлы отбрасываются с вероятностью отсева p.

Попробуем разобраться с заданным вводом x: {1, 2, 3, 4, 5} до полносвязного слоя. У нас есть слой отсева с вероятностью p = 0,2 (или сохранить вероятность = 0,8). Во время прямого распространения (обучения) от входа x будет отброшено 20% узлов, т. е. x может стать {1, 0, 3, 4, 5} или {1, 2, 0, 4, 5} и скоро. Точно так же это относится и к скрытым слоям.

Например, если скрытые слои имеют 1000 нейронов (узлов) и применяется отсев с вероятностью отбрасывания = 0,5, то 500 нейронов будут случайным образом отброшены на каждой итерации (пакете).

Как правило, для входных слоев вероятность сохранения, т. е. вероятность 1-го сброса, ближе к 1, 0,8 является лучшим, как предложено авторами. Для скрытых слоев чем выше вероятность удаления, тем разреженнее модель, где 0,5 — наиболее оптимизированная вероятность сохранения, которая означает удаление 50% узлов.

Так как же отсев решает проблему переобучения?

В задаче переобучения модель изучает статистический шум. Если быть точным, основной мотив обучения состоит в том, чтобы уменьшить функцию потерь для всех единиц (нейронов). Таким образом, при переоснащении единица может измениться таким образом, чтобы исправить ошибки других единиц. Это приводит к сложной коадаптации, которая, в свою очередь, приводит к проблеме переобучения, поскольку эта сложная коадаптация не может обобщить невидимый набор данных.

Теперь, если мы используем отсев, он не позволяет этим юнитам исправить ошибку других юнитов, тем самым предотвращая совместную адаптацию, так как в каждой итерации присутствие юнита крайне ненадежно. Таким образом, случайным образом отбрасывая несколько единиц (узлов), он заставляет слои брать на себя большую или меньшую ответственность за входные данные, применяя вероятностный подход.

Это обеспечивает обобщение модели и, следовательно, уменьшение проблемы переобучения.

Рисунок 2: (а) Скрытые элементы слоя без исключения; (b) Скрытые функции слоя с выпадением (Изображение Nitish)

Из рисунка 2 легко понять, что скрытый слой с отсевом изучает больше обобщенных признаков, чем коадаптации в слое без отсева. Совершенно очевидно, что отсев нарушает такие межблочные связи и больше фокусируется на обобщении.

Хватит болтать! Давайте перейдем к математическому объяснению отсева.

Рисунок 3: (a) Единица (нейрон) во время обучения присутствует с вероятностью p и связана со следующим слоем с весами ‘ ш ’ ; (b) Единица во время вывода/предсказания всегда присутствует и связана со следующим слоем с весами, « pw » (изображение Nitish)

. нейрон) в слое выбирается с вероятностью сохранения (вероятность 1-го сброса). Это создает более тонкую архитектуру в данном тренировочном пакете, и каждый раз эта архитектура отличается.

В стандартной нейронной сети при прямом распространении мы имеем следующие уравнения:

Рисунок 4: Прямое распространение стандартной нейронной сети (изображение Nitish)

, где:
z: обозначает вектор выходных данных из слоя (l + 1) до активации
y: обозначает вектор выходных данных из слоя l
w: вес слоя l
b: смещение слоя l

Далее с помощью функции активации z преобразуется в выход для слоя (l+1).

Теперь, если у нас есть выпадение, уравнения прямого распространения меняются следующим образом:

Рисунок 5: Прямое распространение слоя с выпадением (Изображение Nitish)

Таким образом, прежде чем мы вычислим z, , входные данные для слоя дискретизируются и поэлементно умножаются на независимые переменные Бернулли. r обозначает случайные величины Бернулли, каждая из которых имеет вероятность p, равную 1. По сути, r действует как маска для входной переменной, что гарантирует сохранение только нескольких единиц в соответствии с вероятностью сохранения выпадения. Это гарантирует, что у нас есть прореженные выходные данные « y(bar)» , которые задаются в качестве входных данных для слоя во время распространения с прямой связью.

Рисунок 6: Сравнение сети отсева со стандартной сетью для данного слоя во время прямого распространения (изображение Nitish)

Теперь мы знаем, что отсев работает математически, но что происходит во время вывода/предсказания? Используем ли мы сеть с отсевом или удаляем отсев во время вывода?

Это одна из самых важных концепций отсева, о которой знают очень немногие специалисты по данным.

Согласно исходной реализации (рис. 3b) при выводе мы не используем слой отсева. Это означает, что на этапе прогнозирования учитываются все единицы. Но из-за взятия всех единиц/нейронов из слоя окончательные веса будут больше, чем ожидалось, и для решения этой проблемы веса сначала масштабируются в соответствии с выбранным коэффициентом отсева. Благодаря этому сеть сможет делать точные прогнозы.

Чтобы быть более точным, если единица сохраняется с вероятностью p во время обучения, исходящие веса этой единицы умножаются на p на этапе прогнозирования.

По словам Джеффри Хинтона, одного из авторов книги «Отсев: простой способ предотвратить переобучение нейронных сетей», произошел ряд событий, которые вдохновили фундаментальное отсев.

1. Аналогия с Google Brain заключается в том, что он должен быть большим, потому что он изучает большой набор моделей. В нейронных сетях это не очень эффективное использование аппаратного обеспечения, поскольку одни и те же функции необходимо изобретать отдельно в разных моделях. Именно тогда была обнаружена идея использования одного и того же подмножества нейронов.
2. Кассир банка: В те дни кассиры регулярно менялись, и это должно быть потому, что для успешного обмана банка требовалось сотрудничество между сотрудниками. Это внедрило идею случайного выбора разных нейронов, чтобы на каждой итерации использовался другой набор нейронов. Это гарантировало бы, что нейроны не смогут изучить коадаптацию, и предотвратило бы переоснащение, аналогично предотвращению заговоров в банке.
3. Половое размножение: оно включает передачу половины генов одного родителя и половины другого, добавление очень небольшого количества случайных мутаций для получения потомства. Это создает смешанную способность генов и делает их более устойчивыми. Это может быть связано с отсевом, который используется для нарушения коадаптаций (добавляет случайность, как генная мутация).

Разве это путешествие не увлекательно?

Основной мотив представить идею о том, как был задуман отсев, состоит в том, чтобы мотивировать читателей исследовать окружающий мир и связать его с принципами работы нескольких других нейронных сетей. Это определенно породило бы много таких инноваций.

Если мы будем следовать исходной реализации, нам нужно умножить веса на вероятность выпадения на этапе прогнозирования. Просто чтобы удалить любую обработку на этом этапе, у нас есть реализация, известная как « обратное отключение».

Цель умножения весов на вероятность выпадения состоит в том, чтобы гарантировать, что окончательные веса имеют одинаковую шкалу, поэтому прогнозы верны. В обратном отсеве этот шаг выполняется во время самой тренировки. Во время обучения все веса, оставшиеся после операции исключения, умножаются на обратную вероятность сохранения, т. е. w * (1/p).

Чтобы получить математическое доказательство того, почему обе операции аналогичны весам слоев, я рекомендую просмотреть блог Лей Мао.

Наконец!! Мы рассмотрели глубокий анализ слоев отсева, которые мы используем почти во всех нейронных сетях.

Dropouts можно использовать с большинством типов нейронных сетей. Это отличный инструмент для уменьшения переоснащения модели. Это намного лучше, чем доступные методы регуляризации, и его также можно комбинировать с нормализацией максимальной нормы, что обеспечивает значительный прирост по сравнению с простым использованием отсева.

В следующих блогах мы узнаем больше о таких базовых слоях, которые используются почти во всех сетях.