Обучать кстати на целочисленной арифметике не выйдет

Из-за особенностей алгоритма обратной распространения ошибки, нужно считать значение производной по формуле, вроде такакая: dx = (1-x^2). Она работает только на маленьких значениях(дробях).
Пускай кто-то поправит, если я херню сказонул)
Ну дроби всегда можна как-то семулировать, но это уже не простое решение.

В вот запускать на каком-то микроконтролере может что-то и выйдет.

Ребят, привет.

Извините за нубский вопрос, но нигде не смог найти, и решил спросить тут

— можно ли в Sequential модели сделать так, чтобы после каждой эпохи, перед следующей, происходил shuffle трен. базы? Может есть какой-то параметр в model. compile()?

Ребят, привет.

Извините за нубский вопрос, но нигде не смог найти, и решил спросить тут

— можно ли в Sequential модели сделать так, чтобы после каждой эпохи, перед следующей, происходил shuffle трен. базы? Может есть какой-то параметр в model. compile()?

В рекуррентной, насколько я понял, для нейрона может существовать обратная связь со своей АЧХ и ФЧХ (регулировка амплитуды воздействия или же задержки).
Со сверточными совсем беда, их плохо понимаю и оставил напоследок.

Но, грубо говоря, если смоделировать отдельный базовый нейрон (сумма произведений + нелинейная функция активации), то на базе такой упрощенной модели можно составить сеть в общем-то любого масштаба и почти любой архитектуры (за исключением сверточной). Верен ли этот тезис?

Всем привет! Подскажите пожалуйста, какое железо нужно для анализа больших данных? Датасет около 50-70 гигов, задачи: очистка, классификация, построение графа и визуализация.
Может есть облачные варианты или можно на vps это запустить?

А сверточные?