freeExec

Давно это было могу наврать.
Есть сеть, которой на вход приходит несколько последних состояния среды и она предсказывает действие.
Потом можем каждый шаг обучать: заработали очки - положительная обратная связь; не чего в общем не произошло - немного штрафуем; умерли - большой штраф. Ну и дальше тут большое поле для экспериментов, за что ругать, а за что хватить и как сильно сеть.

Использовать то можно, но он не так эффективен, особенно если параметров больше десятка.

Это просто техническая характеристика, наподобие лошадиных сил, полученная математически некими расчётами. Вроде у нас уходит столько-то время уходит на одну операцию, столько-то операций у нас выполняется в секунду и вот столько-то агрегатов у нас в изделии. Удобно чтобы мерят. Максимальный теоретический предел никогда в жизни в практике не достижимый.

ОК гугл

как работают нейронные сети

как написать нейронную сеть с нуля

как обучить нейронную сеть

Берутся входные 16 слоёв прогоняются через свои 16 слоёв фильтра и выдаётся 1 слой на выходе. Затем входные 16 прогоняются через другие 16 фильтров, чтобы получить 2 слой на выходе. И так 32 раза.

Посмотрел видео, теперь начинай писать код, хотя бы тот что был в видео. Без собственных экспериментов тут никуда.

Может сеть не способна выдать нужный вам результат.
И потом, обычно боксы делают не как координаты углов, а как местоположение объекта и подгонку заранее заготовленных рамок с разными отношениями сторон.

У всех этих библиотек есть документацию, её надо уметь читать.

Если по крестьянски на пальцах, то не настолько чувствительно, ядро свёртки проходит по всем углам. Но чтобы это сгладить ещё применяют технику augmentation, чтобы собаки и в углах побывали.

Да, в общем вы правы. При классическом подходе и разворачивании картинки в один ряд пикселей, связи с соседними пикселями исходной картинки теряются.

Методом тыка.

Погугли GAN, и хотя там технически две сети, можно воспринимать её как одну нейронку, ибо тренируются они вместе. И в общем никаких там предварительных разбиений на фигуры, цвета и прочее нет.

Ни кто не подскажет тебе, потому что не знают твою задачу. Объединяй сети, почему бы и нет.

Просто попробовать можно вообще на железе гугла в Colab и прочих альтернативах. Если же вы собрались с нуля обучить всякие GPT-3, то вас никакие ноутбуки не спасут.

Как долго накапливать градиент, прежде чем изменить веса. Измеряется в штуках тренировочных примеров.
Можно и по одному примеру обучаться, но тогда выходит что сначала сеть метнётся вправо на 10, потом влево на 7, и снова вправо на 2. Или с батчем в 3 сразу пойдёт на 5 вправо. Т.е. вместо шараханья туда сюда, она будет постепенно по маленьку двигаться в нужную сторону. Значение подбирается научным тыком.

Я бы попробовал входные данные подавать по дням(неделям и так далее, насколько глубока у вас история). Условно на вход 30 чисел.
1) за 31 дней до дня Х, купил 0 / 1000
2) за 30 дней до дня Х, купил 1 / 1000
....
30) вчера купил 50 / 1000
Выход интерпретировал как softmax по вариантам + количества товара
1) позвонит сегодня, вероятность 0.1
2) позвонит завтра, вероятность 0.6
3) на этой неделе - 0.1
4) ушёл к конкурентам и не чего покупать не собирается - 0.2
А) закажет товара 8 / 1000

П.С. И что у вас сеть такая примитивная, диплёрнингом и не пахнет, ну добавьте ещё два скрытых слоя по 10-20 нейронов что ли.
П.П.С И батч на 1/5 всей выборки это такое себе.

Если у вас сеть на новых данных предсказывает плохо, то значит надо дальше тренировать.

еще как мне выводить именно процентаж?

Сигмойда и так сразу на своём выходе выдаёт значения от 0 до 1, умножишь на 100, получишь проценты.