Как проходит процесс обучения непрерывных нейросетей на реальных временных последовательностях?

Возможно, имелись в виду рекуррентные нейронные сети (RNN), которые используются для обработки и прогнозирования последовательностей данных и временных рядов. practicum.yandex.ru

Процесс обучения таких сетей на реальных временных последовательностях включает несколько шагов: practicum.yandex.ru

1. Подготовка данных. practicum.yandex.ru Они должны быть в форме временных рядов или последовательностей, например, продажи по дням, текст по словам, сигналы по времени. practicum.yandex.ru Данные нужно разбить на обучающие последовательности фиксированной длины, например, «предсказать следующий элемент по предыдущим десяти». practicum.yandex.ru
2. Масштабирование и формирование входов. practicum.yandex.ru Обычно здесь применяют нормализацию или стандартизацию. practicum.yandex.ru Массив преобразуют в 3D-форму: [samples, timesteps, features]. practicum.yandex.ru
3. Построение модели. practicum.yandex.ru Как правило, на этом шаге используют Sequential модель с LSTM-слоем и выходом (Dense), иногда с Dropout. practicum.yandex.ru
4. Обучение модели. practicum.yandex.ru Это делается с помощью функции потерь, например MSE для регрессии, и оптимизатора (adam). practicum.yandex.ru
5. Оценка и предсказания. practicum.yandex.ru После обучения модель может делать прогнозы на новых данных. practicum.yandex.ru

Главная цель обучения — добиться того, чтобы сеть давала точные ответы не только на знакомых примерах, но и на новых, которых раньше не видела. neiroset.com