Créer jeu
Télécharger
Obtenir Plan Académique
Partager le jeu
Intégrez-le à votre plateforme

Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.
Télécharger
Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Google Classroom avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Google Classroom, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Vous avez dépassé le nombre maximum de jeux que vous pouvez intégrer à Microsoft Teams avec votre Plan actuel.

Pour intégrer autant de jeux que vous le souhaitez dans Microsoft Teams, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Le téléchargement du jeu est une fonctionnalité exclusive pour les utilisateurs avec un Plan Académique ou un Plan Commercial.

Obtenez votre Plan Académique ou Plan Commercial dès maintenant et commencez à intégrer vos jeux dans votre LMS, votre site Web ou votre blog.

Si vous le souhaitez, vous pouvez télécharger une jeu de test ici et tester son intégration:

Ko'p qatlamli neyron tarmini Python bilan modellash

Oui ou Non

Parties jouées 0

À propos de cette activité

Neyron tarmini o'rganish bo'yicha sinovlar

Créé par

Uzbekistan

Téléchargez la version pour jouer sur papier

Créez votre propre jeu gratuite à partir de notre créateur de jeu
Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu

Top Jeux

%
Anonyme
Anonyme
%
%
%
Vous avez dépassé le nombre maximum de jeux que vous pouvez imprimer avec votre Plan actuel.

Pour imprimer autant de jeux que vous le souhaitez, vous avez besoin d’un Plan Académique ou un Plan Commerciel.

Imprimez votre jeu
Ko'p qatlamli neyron tarmini Python bilan modellash
 

Ko'p qatlamli neyron tarmini Python bilan modellashVersion en ligne

Neyron tarmini o'rganish bo'yicha sinovlar

par Quvonchbek_2132
1

Python uchun yagona kutubxona TensorFlow bo'lib, boshqasi yo'q.

2

Normallashtirish, aktivatsiya funksiyalari (ReLU, sigmoid) ko'p qatlamli neyron tarmini samaradorligini oshiradi.

3

Backpropagation o'ta tez bo'lganligi bois minimal training data bilan o'rganadi.

4

Epoch sonini sozlash trainingga ta'sir qilmaydi.

5

Forward pass tarmoq chiqishini hisoblab, keyin backpropagation orqali gradientlar hisoblanadi.

6

Neyron tarmining og'irliklari har bir epochda tasodifan qisman o'zgarmaydi.

7

Python tilida ko'p qatlamsli neyron tarmlarini PyTorch yoki TensorFlow yordamida modellash mumkin.

8

O'qitish jarayonida yo'qotish funksiyasi aniqlanadi va optimizator yordamida og'irliklar yangilanadi.

9

Ko'p qatlamli tarmoq faqat konvolyutsion qatlamlardan iborat bo'lishi kerak.

10

Mini-batch treningi ko'plab ma'lumotlar kichik guruhlarda yangilanadi.

Voulez-vous vraiment quitter la page ?

En quittant la page, vous perdrez la progression du jeu.