Commit e5da6d35 authored by Eva Lina Fesefeldt's avatar Eva Lina Fesefeldt
Browse files

Update README.md

parent 368cc6ca
......@@ -12,7 +12,23 @@ trainings_uebersicht.ods: Übersicht über die Metadaten des Trainings in hessia
**Postprocess Pickles:** hessianlearn speichert die Metadaten des Trainings sowie die Ergebnisse als Python Pickle Dateien. Diese kopiere ich in diesen Ordner und erstelle die Figures.
**Tic Tac Toe:** Erstellen eines Datensets für ein Spiel das ähnlich zu TicTacToe funktioniert, Training eines KNN mit einer versteckten Schicht auf dem Datenset und explizite Berechnung der Hessematrix + Eigenwerte mittels der tf.GradientTape API
**Tic Tac Toe:** Erstellen eines Datensets für ein Spiel das ähnlich zu TicTacToe funktioniert, Training eines KNN mit einer versteckten Schicht auf dem Datenset und explizite Berechnung der Hessematrix + Eigenwerte mittels der tf.GradientTape API. Ordner sind jetzt nach den Abbildungen sortiert, zu jeder Abbildung für die MA gehört ein Ordner. Die Ordner sind jeweils folgendermaßen sortiert:
Ordner zu Abbildung X
|--- **figures** Ordner mit pdf's
|--- **results** Ordner mit Rohdaten für die Plots (.npy Dateien)
|--- main.py: Erzeugen der Daten, die in results geschrieben werden
|--- plot.py: Skript zum Erzeugen des Plots aus den Ergebnissen
|--- weitere .py Dateien mit ausgelagertem Code, weitere Ordner, z.B. mit Initialisierungswerten
Es gibt folgende Abbildungen:
Data_Set - Visualisierung einiger Beispiele
Hesse-Matrix - Darstellung der Hesse-Matrix als Bild
Hesse-Matrix_Eigenwerte - Plot der Eigenwerte (explizit mit eigh berechnet)
HV_Vergleich - Vergleich von Hesse-Matrix-Vektor-Produkten mit analytischer Ableitung (falls n=1) vs. Nested Gradient Tapes vs. Forward-Over-Back-AD
Lanczos-Ritz - Berechnung der Eigenwerte der Hesse-Matrix mit dem symmetrischen Lanczos-Verfahren, wobei Hv über Forward-Over-Back-AD berechnet wird und die Hesse-Matrix nicht explizit vorliegt
Vergleich_Analytische_Ableitung - Fall n=1, Berechnung der analytischen Ableitung des KNN und Vergleich mit Nested Gradient Tapes
Vergleich_Optimierer - Darstellung der Kondition der Hesse-Matrix und des Loss für verschiedene Größen der versteckten Schicht, verschiedene Optimierer (Adam, SGD mit verschiedenen Batch Sizes)
**Vergleich GD hessianlearn:** Python Skripte für das Training von Autoencodern (auf MNIST/ One Hot Encoding)
Markdown is supported
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment