Последние статьи
Глава 10. Сохранение модели и инференс-сервис
Формат весов и его версионирование, сохранение и загрузка модели, проверка детерминизма, HTTP-сервис распознавания цифр на net/http, потокобезопасность инференса, graceful shutdown, сборка в scratch-образ.
Глава 9. Свёртки и конкурентность
Свёрточный слой и пулинг, приём im2col, распараллеливание вычислений горутинами и WaitGroup, гонки данных и детектор -race, sync.Pool, GOMAXPROCS, профилирование через pprof и корректные замеры ускорения.
Глава 8. Оптимизаторы и регуляризация
Momentum, RMSProp и Adam с коррекцией смещения, расписания learning rate, L2-регуляризация и weight decay, inverted dropout с режимами train/eval, краткий разбор batch normalization и честное сравнение SGD с Adam.
Глава 7. Обучаем классификатор MNIST
Полносвязная сеть 784-128-10 на реальных данных: цикл обучения с валидацией, подбор learning rate, ранняя остановка и сохранение лучших весов, матрица ошибок и диагностика недообучения, переобучения и NaN.
Глава 6. MNIST: загрузка настоящих данных на Go
Двоичный формат IDX и его разбор через encoding/binary, чтение gzip, нормализация пикселей, one-hot кодирование меток, разбиение на обучение и валидацию, батч-итератор, ASCII-визуализация и кеширование датасета.
Глава 5. Обратное распространение и первое обучение
Backward в Dense и активациях, кеширование входов, интерфейс Layer с параметрами и градиентами, SGD-шаг, батчи, эпохи и перемешивание, обучение сети на XOR и на задаче двух спиралей, лог кривой потерь.
Глава 4. Функции потерь и градиенты: математика без магии
MSE, бинарная и категориальная кросс-энтропия, градиентный спуск и цепное правило по шагам, вывод градиента для Dense и ReLU, связка softmax+CE, численная проверка градиента как главный инструмент отладки.
Глава 3. Прямой проход: слои, активации и инициализация весов
Dense-слой как Y = X·W + b, активации ReLU, sigmoid, tanh и численно стабильный softmax, инициализация Xavier и He, воспроизводимость через math/rand/v2, сборка сети из слоёв и прямой проход на …
Глава 2. Матрицы на срезах: фундамент вычислений
Плоское хранение матрицы в []float64 вместо [][]float64, операции Dot, Add, Scale, Transpose и Apply, broadcast смещения, проверка размерностей, порядок циклов и локальность кеша, табличные тесты и бенчмарки.
Глава 1. Что такое нейросеть и почему её пишут на Go
Нейросеть как параметризованная функция, обучение как подбор параметров, нейрон и слой; сильные стороны и честные пределы Go для машинного обучения; структура проекта, первый нейрон и обучение логистической регрессии на float64.