今日、私は人々が目でマトリックスのランクを推定できることを学びました！
（ランクは線形に独立した行または列の数であることを思い出してください）
のように、彼らはこれを見て、ランクが
まあ！ まあ！
3
抵抗し、ニューラルネットワークを行う方法を教えようとしない方法 コック カーネギーメロンからの学生？
つまり、行列を取得してそのような画像に変換し、CNNを入力に与えて、ランクまたは行列が縮退しているかどうかを予測します。
太字を見てください。 これが、アルゴリズム最適化の未来です。
こことその中の記事は壮大で音節であり、提起された質問、著者のリスト、そして一般的にすべてのものです。
たとえば、それらは同じ方法を行列乗算に適用し、逆行列を見つけます：
次に、このデータを使用して、ネットワークをトレーニングします
平均二乗誤差の確率的勾配降下
（MSE）100エポックの損失。 いくつかの定性的予測
目に見えないデータについては、図7および8に示します。
乗算タスクは簡単に解決できることがわかりました
ネットワークアーキテクチャによるが、反転タスク
によって示されるように、はるかに困難であることが判明しました
より高いMSE値。 これは
線形代数101を取る人間 。
Rzhu nimagu。
デザートスライド用 。