{
 "<h1><a href=\"index.html\">Evidential Deep Learning to Quantify Classification Uncertainty</a> Experiment</h1>\n<p>This trains a model based on <a href=\"index.html\">Evidential Deep Learning to Quantify Classification Uncertainty</a>  on MNIST dataset.</p>\n": "<h1><a href=\"index.html\">\u0dc0\u0dbb\u0dca\u0d9c\u0dd3\u0d9a\u0dbb\u0dab \u0d85\u0dc0\u0dd2\u0db1\u0dd2\u0dc1\u0dca\u0da0\u0dd2\u0dad\u0dad\u0dcf \u0d85\u0dad\u0dca\u0dc4\u0daf\u0dcf \u0db6\u0dd0\u0dbd\u0dd3\u0db8 \u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8 \u0dc3\u0db3\u0dc4\u0dcf \u0d9c\u0dd0\u0db9\u0dd4\u0dbb\u0dd4 \u0d89\u0d9c\u0dd9\u0db1\u0dd3\u0db8</a> </h1>\n<p>MNIST\u0daf\u0dad\u0dca\u0dad \u0d9a\u0da7\u0dca\u0da7\u0dbd\u0dba\u0dda <a href=\"index.html\">\u0dc0\u0dbb\u0dca\u0d9c\u0dd3\u0d9a\u0dbb\u0dab \u0d85\u0dc0\u0dd2\u0db1\u0dd2\u0dc1\u0dca\u0da0\u0dd2\u0dad\u0dad\u0dcf\u0dc0 \u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8 \u0dc3\u0db3\u0dc4\u0dcf \u0dc3\u0dcf\u0d9a\u0dca\u0dc2\u0dd2 \u0d9c\u0dd0\u0db9\u0dd4\u0dbb\u0dd4 \u0d89\u0d9c\u0dd9\u0db1\u0dd3\u0db8</a> \u0db8\u0dad \u0db4\u0daf\u0db1\u0db8\u0dca \u0dc0\u0dd6 \u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba\u0d9a\u0dca \u0db8\u0dd9\u0dba \u0db4\u0dd4\u0dc4\u0dd4\u0dab\u0dd4 \u0d9a\u0dbb\u0dba\u0dd2. </p>\n",
 "<h2>Configurations</h2>\n<p>We use <a href=\"../../experiments/mnist.html#MNISTConfigs\"><span translate=no>_^_0_^_</span></a> configurations.</p>\n": "<h2>\u0dc0\u0dd2\u0db1\u0dca\u0dba\u0dcf\u0dc3\u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0dca</h2>\n<p>\u0d85\u0db4\u0dd2 <a href=\"../../experiments/mnist.html#MNISTConfigs\"><span translate=no>_^_0_^_</span></a> \u0dc0\u0dd2\u0db1\u0dca\u0dba\u0dcf\u0dc3\u0dba\u0db1\u0dca \u0db7\u0dcf\u0dc0\u0dd2\u0dad\u0dcf \u0d9a\u0dbb\u0db8\u0dd4. </p>\n",
 "<h2>LeNet based model fro MNIST classification</h2>\n": "<h2>Lenet\u0db4\u0daf\u0db1\u0db8\u0dca \u0d9a\u0dbb\u0d9c\u0dad\u0dca \u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba \u0dc3\u0dd2\u0da7 MNIST \u0dc0\u0dbb\u0dca\u0d9c\u0dd3\u0d9a\u0dbb\u0dab\u0dba</h2>\n",
 "<h3>Create model</h3>\n": "<h3>\u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba\u0dc3\u0dcf\u0daf\u0db1\u0dca\u0db1</h3>\n",
 "<h3>Initialization</h3>\n": "<h3>\u0d86\u0dbb\u0db8\u0dca\u0db7\u0d9a\u0d9a\u0dbb\u0dab\u0dba</h3>\n",
 "<h3>KL Divergence Loss Coefficient Schedule</h3>\n": "<h3>KL\u0d85\u0db4\u0dc3\u0dbb\u0db1\u0dba \u0db4\u0dcf\u0da9\u0dd4 \u0dc3\u0d82\u0d9c\u0dd4\u0dab\u0d9a \u0d8b\u0db4\u0dbd\u0dda\u0d9b\u0db1\u0dba</h3>\n",
 "<h3>Training or validation step</h3>\n": "<h3>\u0db4\u0dd4\u0dc4\u0dd4\u0dab\u0dd4\u0dc0\u0dc4\u0ddd \u0dc0\u0dbd\u0d82\u0d9c\u0dd4 \u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0dda \u0db4\u0dd2\u0dba\u0dc0\u0dbb</h3>\n",
 "<p> </p>\n": "<p> </p>\n",
 "<p>&#x27;loss_func&#x27;: &#x27;max_likelihood_loss&#x27;, &#x27;loss_func&#x27;: &#x27;cross_entropy_bayes_risk&#x27;, </p>\n": "<p>'loss_func':' max_likelihood_loss ',' \u0d85\u0dc4\u0dd2\u0db8\u0dd2_func ':' cross_entropy_bayes_risk ', </p>\n",
 "<p><a href=\"index.html#CrossEntropyBayesRisk\">Cross Entropy Bayes Risk</a> </p>\n": "<p><a href=\"index.html#CrossEntropyBayesRisk\">\u0d9a\u0dd4\u0dbb\u0dd4\u0dc3 \u0d91\u0db1\u0dca\u0da7\u0dca\u0dbb\u0ddc\u0db4\u0dd2 \u0db6\u0dda\u0dc3\u0dca \u0d85\u0dc0\u0daf\u0dcf\u0db1\u0db8\u0dca</a> </p>\n",
 "<p><a href=\"index.html#KLDivergenceLoss\">KL Divergence regularization</a> </p>\n": "<p><a href=\"index.html#KLDivergenceLoss\">KL \u0d85\u0db4\u0dc3\u0dbb\u0db1\u0dba \u0dc0\u0dd2\u0db0\u0dd2\u0db8\u0dad\u0dca</a> </p>\n",
 "<p><a href=\"index.html#MaximumLikelihoodLoss\">Maximum Likelihood Loss</a> </p>\n": "<p><a href=\"index.html#MaximumLikelihoodLoss\">\u0d8b\u0db4\u0dbb\u0dd2\u0db8 \u0dc3\u0db8\u0dca\u0db7\u0dcf\u0dc0\u0dd2\u0dad\u0dcf\u0dc0 \u0db1\u0dd0\u0dad\u0dd2\u0dc0\u0dd3\u0db8</a> </p>\n",
 "<p><a href=\"index.html#SquaredErrorBayesRisk\">Squared Error Bayes Risk</a> </p>\n": "<p><a href=\"index.html#SquaredErrorBayesRisk\">\u0dc0\u0dbb\u0dca\u0d9c \u0daf\u0ddd\u0dc2 \u0d85\u0dc0\u0daf\u0dcf\u0db1\u0db8\u0dca \u0db6\u0dda\u0dc3\u0dca</a> </p>\n",
 "<p><a href=\"index.html#TrackStatistics\">Stats module</a> for tracking </p>\n": "<p>\u0dbd\u0dd4\u0dc4\u0dd4\u0db6\u0dd0\u0db3\u0dd3\u0db8\u0dc3\u0db3\u0dc4\u0dcf<a href=\"index.html#TrackStatistics\">\u0dc3\u0d82\u0d9b\u0dca\u0dba\u0dcf\u0db1 \u0db8\u0ddc\u0da9\u0dd2\u0dba\u0dd4\u0dbd\u0dba</a> </p>\n",
 "<p><span translate=no>_^_0_^_</span> max-pooling </p>\n": "<p><span translate=no>_^_0_^_</span> \u0d8b\u0db4\u0dbb\u0dd2\u0db8 \u0dad\u0da7\u0dcf\u0d9a </p>\n",
 "<p>Apply dropout </p>\n": "<p>\u0d85\u0dad\u0dc4\u0dd0\u0dbb\u0daf\u0dd0\u0db8\u0dd3\u0db8 \u0dba\u0ddc\u0daf\u0db1\u0dca\u0db1 </p>\n",
 "<p>Apply final layer and return </p>\n": "<p>\u0d85\u0dc0\u0dc3\u0dcf\u0db1\u0dc3\u0dca\u0dae\u0dbb\u0dba \u0dba\u0ddc\u0daf\u0db1\u0dca\u0db1 \u0dc3\u0dc4 \u0d86\u0db4\u0dc3\u0dd4 \u0dba\u0db1\u0dca\u0db1 </p>\n",
 "<p>Apply first convolution and max pooling. The result has shape <span translate=no>_^_0_^_</span> </p>\n": "<p>\u0db4\u0dc5\u0db8\u0dd4\u0d9a\u0dd0\u0da7\u0dd2 \u0d9c\u0dd0\u0dc3\u0dd3\u0db8 \u0dc3\u0dc4 \u0d8b\u0db4\u0dbb\u0dd2\u0db8 \u0dad\u0da7\u0dcf\u0d9a \u0dba\u0ddc\u0daf\u0db1\u0dca\u0db1. \u0db4\u0dca\u0dbb\u0dad\u0dd2 result \u0dbd\u0dba \u0dc4\u0dd0\u0da9\u0dba \u0d87\u0dad <span translate=no>_^_0_^_</span> </p>\n",
 "<p>Apply hidden layer </p>\n": "<p>\u0dc3\u0dd0\u0d9f\u0dc0\u0dd4\u0dab\u0dd4\u0dc3\u0dca\u0dae\u0dbb\u0dba \u0dba\u0ddc\u0daf\u0db1\u0dca\u0db1 </p>\n",
 "<p>Apply second convolution and max pooling. The result has shape <span translate=no>_^_0_^_</span> </p>\n": "<p>\u0daf\u0dd9\u0dc0\u0db1\u0d9a\u0dd0\u0da7\u0dd2 \u0d9c\u0dd0\u0dc3\u0dd3\u0db8 \u0dc3\u0dc4 \u0d8b\u0db4\u0dbb\u0dd2\u0db8 \u0dad\u0da7\u0dcf\u0d9a \u0dba\u0ddc\u0daf\u0db1\u0dca\u0db1. \u0db4\u0dca\u0dbb\u0dad\u0dd2 result \u0dbd\u0dba \u0dc4\u0dd0\u0da9\u0dba \u0d87\u0dad <span translate=no>_^_0_^_</span> </p>\n",
 "<p>Calculate KL Divergence regularization loss </p>\n": "<p>KL\u0d85\u0db4\u0dc3\u0dbb\u0db1\u0dba \u0dc0\u0dd2\u0db0\u0dd2\u0db8\u0dad\u0dca \u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0dda \u0d85\u0dbd\u0dcf\u0db7\u0dba \u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>Calculate gradients </p>\n": "<p>\u0d85\u0db1\u0dd4\u0d9a\u0dca\u0dbb\u0db8\u0dd2\u0d9a\u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>Calculate loss </p>\n": "<p>\u0d85\u0dbd\u0dcf\u0db7\u0dba\u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>Clear the gradients </p>\n": "<p>\u0d85\u0db1\u0dd4\u0d9a\u0dca\u0dbb\u0db8\u0dd2\u0d9a\u0d89\u0dc0\u0dad\u0dca </p>\n",
 "<p>Create a <a href=\"https://docs.labml.ai/api/helpers.html#labml_helpers.schedule.Piecewise\">relative piecewise schedule</a> </p>\n": "<p><a href=\"https://docs.labml.ai/api/helpers.html#labml_helpers.schedule.Piecewise\">\u0dc3\u0dcf\u0db4\u0dda\u0d9a\u0dca\u0dc2 \u0d9a\u0dd1\u0dbd\u0dd2 \u0d9a\u0dcf\u0dbd\u0dc3\u0da7\u0dc4\u0db1\u0d9a\u0dca \u0dc3\u0dcf\u0daf\u0db1\u0dca\u0db1</a> </p>\n",
 "<p>Create configurations </p>\n": "<p>\u0dc0\u0dd2\u0db1\u0dca\u0dba\u0dcf\u0dc3\u0dba\u0db1\u0dca\u0dc3\u0dcf\u0daf\u0db1\u0dca\u0db1 </p>\n",
 "<p>Create experiment </p>\n": "<p>\u0d85\u0dad\u0dca\u0dc4\u0daf\u0dcf\u0db6\u0dd0\u0dbd\u0dd3\u0db8 \u0dc3\u0dcf\u0daf\u0db1\u0dca\u0db1 </p>\n",
 "<p>Dropout </p>\n": "<p>\u0dc4\u0dd0\u0dbd\u0dd3\u0db8 </p>\n",
 "<p>Dropout for the hidden layer </p>\n": "<p>\u0dc3\u0dd0\u0d9f\u0dc0\u0dd4\u0dab\u0dd4\u0dc3\u0dca\u0dad\u0dbb\u0dba \u0dc3\u0db3\u0dc4\u0dcf \u0d85\u0dad\u0dc4\u0dd0\u0dbb \u0daf\u0dd0\u0db8\u0dd3\u0db8 </p>\n",
 "<p>Final fully connected layer to output evidence for <span translate=no>_^_0_^_</span> classes. The ReLU or Softplus activation is applied to this outside the model to get the non-negative evidence </p>\n": "<p><span translate=no>_^_0_^_</span> \u0db4\u0db1\u0dca\u0dad\u0dd2 \u0dc3\u0db3\u0dc4\u0dcf \u0db1\u0dd2\u0db8\u0dd0\u0dc0\u0dd4\u0db8\u0dca \u0dc3\u0dcf\u0d9a\u0dca\u0dc2\u0dd2 \u0dc3\u0db3\u0dc4\u0dcf \u0d85\u0dc0\u0dc3\u0dcf\u0db1 \u0db4\u0dd6\u0dbb\u0dca\u0dab \u0dc3\u0db8\u0dca\u0db6\u0db1\u0dca\u0db0\u0dd2\u0dad \u0dc3\u0dca\u0dae\u0dbb\u0dba. Negative \u0dab\u0dcf\u0dad\u0dca\u0db8\u0d9a \u0db1\u0ddc\u0dc0\u0db1 \u0dc3\u0dcf\u0d9a\u0dca\u0dc2\u0dd2 \u0dbd\u0db6\u0dcf \u0d9c\u0dd0\u0db1\u0dd3\u0db8 \u0dc3\u0db3\u0dc4\u0dcf \u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba\u0dd9\u0db1\u0dca \u0db4\u0dd2\u0da7\u0dad RelU \u0dc4\u0ddd Softplus \u0dc3\u0d9a\u0dca\u0dbb\u0dd2\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8 \u0db8\u0dda \u0dc3\u0db3\u0dc4\u0dcf \u0dba\u0ddc\u0daf\u0db1\u0dd4 \u0dbd\u0dd0\u0db6\u0dda </p>\n",
 "<p>First <span translate=no>_^_0_^_</span> convolution layer </p>\n": "<p>\u0db4\u0dc5\u0db8\u0dd4 <span translate=no>_^_0_^_</span> \u0d9a\u0dd0\u0da7\u0dd2 \u0d9c\u0dd0\u0dc3\u0dd4\u0dab\u0dd4 \u0dc3\u0dca\u0dae\u0dbb\u0dba </p>\n",
 "<p>First fully-connected layer that maps to <span translate=no>_^_0_^_</span> features </p>\n": "<p><span translate=no>_^_0_^_</span> \u0dc0\u0dd2\u0dc1\u0dda\u0dc2\u0dcf\u0d82\u0d9c \u0dc3\u0dd2\u0dad\u0dd2\u0dba\u0db8\u0dca \u0d9c\u0dad \u0d9a\u0dbb\u0db1 \u0db4\u0dc5\u0db8\u0dd4 \u0db4\u0dd6\u0dbb\u0dca\u0dab \u0dc3\u0db8\u0dca\u0db6\u0db1\u0dca\u0db0\u0dd2\u0dad \u0dc3\u0dca\u0dae\u0dbb\u0dba </p>\n",
 "<p>Flatten the tensor to shape <span translate=no>_^_0_^_</span> </p>\n": "<p>\u0da7\u0dd9\u0db1\u0dca\u0dc3\u0dbb\u0dba\u0dc4\u0dd0\u0da9\u0dba\u0da7 \u0dc3\u0db8\u0dad\u0dbd\u0dcf \u0d9a\u0dbb\u0db1\u0dca\u0db1 <span translate=no>_^_0_^_</span> </p>\n",
 "<p>Get evidences <span translate=no>_^_0_^_</span> </p>\n": "<p>\u0dc3\u0dcf\u0d9a\u0dca\u0dc2\u0dd2\u0dbd\u0db6\u0dcf \u0d9c\u0db1\u0dca\u0db1 <span translate=no>_^_0_^_</span> </p>\n",
 "<p>Get model outputs </p>\n": "<p>\u0d86\u0daf\u0dbb\u0dca\u0dc1\u0db4\u0dca\u0dbb\u0dad\u0dd2\u0daf\u0dcf\u0db1\u0dba\u0db1\u0dca \u0dbd\u0db6\u0dcf \u0d9c\u0db1\u0dca\u0db1 </p>\n",
 "<p>KL Divergence loss coefficient <span translate=no>_^_0_^_</span> </p>\n": "<p>KL\u0d85\u0db4\u0dc3\u0dbb\u0db1\u0dba \u0db4\u0dcf\u0da9\u0dd4 \u0dc3\u0d82\u0d9c\u0dd4\u0dab\u0d9a\u0dba <span translate=no>_^_0_^_</span> </p>\n",
 "<p>KL Divergence regularization coefficient schedule </p>\n": "<p>KL\u0d85\u0db4\u0dc3\u0dbb\u0db1\u0dba \u0dc0\u0dd2\u0db0\u0dd2\u0db8\u0dad\u0dca \u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0dda \u0dc3\u0d82\u0d9c\u0dd4\u0dab\u0d9a\u0dba \u0d9a\u0dcf\u0dbd\u0dc3\u0da7\u0dc4\u0db1 </p>\n",
 "<p>Load configurations </p>\n": "<p>\u0dc0\u0dd2\u0db1\u0dca\u0dba\u0dcf\u0dc3\u0dba\u0db1\u0dca\u0db4\u0dd6\u0dbb\u0dab\u0dba \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>Module to convert the model output to non-zero evidences </p>\n": "<p>\u0d86\u0daf\u0dbb\u0dca\u0dc1\u0db4\u0dca\u0dbb\u0dad\u0dd2\u0daf\u0dcf\u0db1\u0dba \u0dc1\u0dd4\u0db1\u0dca\u0dba \u0db1\u0ddc\u0dc0\u0db1 \u0dc3\u0dcf\u0d9a\u0dca\u0dc2\u0dd2 \u0db6\u0dc0\u0da7 \u0db4\u0dbb\u0dd2\u0dc0\u0dbb\u0dca\u0dad\u0db1\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0dda \u0db8\u0ddc\u0da9\u0dd2\u0dba\u0dd4\u0dbd\u0dba </p>\n",
 "<p>Move data to the device </p>\n": "<p>\u0d8b\u0db4\u0dcf\u0d82\u0d9c\u0dba\u0dc0\u0dd9\u0dad \u0daf\u0dad\u0dca\u0dad \u0d9c\u0dd9\u0db1\u0dba\u0db1\u0dca\u0db1 </p>\n",
 "<p>One-hot coded targets </p>\n": "<p>\u0d91\u0d9a\u0dca-\u0d8b\u0dab\u0dd4\u0dc3\u0dd4\u0db8\u0dca\u0d9a\u0dda\u0dad \u0d9a\u0dbb\u0db1 \u0dbd\u0daf \u0d89\u0dbd\u0d9a\u0dca\u0d9a </p>\n",
 "<p>ReLU activation </p>\n": "<p>Relu\u0dc3\u0d9a\u0dca\u0dbb\u0dd2\u0dba </p>\n",
 "<p>ReLU to calculate evidence </p>\n": "<p>\u0dc3\u0dcf\u0d9a\u0dca\u0dc2\u0dd2\u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0da7 RELU </p>\n",
 "<p>Save the tracked metrics </p>\n": "<p>\u0dbd\u0dd4\u0dc4\u0dd4\u0db6\u0dd0\u0db3\u0d87\u0dad\u0dd2 \u0db4\u0dca\u0dbb\u0db8\u0dd2\u0dad\u0dd2\u0d9a \u0dc3\u0dd4\u0dbb\u0d9a\u0dd2\u0db1\u0dca\u0db1 </p>\n",
 "<p>Second <span translate=no>_^_0_^_</span> convolution layer </p>\n": "<p>\u0daf\u0dd9\u0dc0\u0db1 <span translate=no>_^_0_^_</span> \u0d9a\u0dd0\u0da7\u0dd2 \u0d9c\u0dd0\u0dc3\u0dd4\u0dab\u0dd4 \u0dc3\u0dca\u0dae\u0dbb\u0dba </p>\n",
 "<p>Set tracker configurations </p>\n": "<p>\u0da7\u0dca\u0dbb\u0dd0\u0d9a\u0dbb\u0dca\u0dc0\u0dd2\u0db1\u0dca\u0dba\u0dcf\u0dc3\u0dba\u0db1\u0dca \u0dc3\u0d9a\u0dc3\u0db1\u0dca\u0db1 </p>\n",
 "<p>Softplus to calculate evidence </p>\n": "<p>\u0dc3\u0dcf\u0d9a\u0dca\u0dc2\u0dd2\u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8\u0da7 \u0dc3\u0ddc\u0dc6\u0dca\u0da7\u0dca\u0db4\u0dca\u0dbd\u0dc3\u0dca </p>\n",
 "<p>Start the experiment and run the training loop </p>\n": "<p>\u0d85\u0dad\u0dca\u0dc4\u0daf\u0dcf\u0db6\u0dd0\u0dbd\u0dd3\u0db8 \u0d86\u0dbb\u0db8\u0dca\u0db7 \u0d9a\u0dbb \u0db4\u0dd4\u0dc4\u0dd4\u0dab\u0dd4 \u0dbd\u0dd6\u0db4\u0dba \u0d9a\u0dca\u0dbb\u0dd2\u0dba\u0dcf\u0dad\u0dca\u0db8\u0d9a \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>Take optimizer step </p>\n": "<p>\u0db4\u0dca\u0dbb\u0dc1\u0dc3\u0dca\u0dad\u0dd2\u0d9a\u0dbb\u0dab\u0db4\u0dd2\u0dba\u0dc0\u0dbb \u0d9c\u0db1\u0dca\u0db1 </p>\n",
 "<p>Total loss </p>\n": "<p>\u0db8\u0dd4\u0dc5\u0dd4\u0d85\u0dbd\u0dcf\u0db7\u0dba </p>\n",
 "<p>Track statistics </p>\n": "<p>\u0dc3\u0d82\u0d9b\u0dca\u0dba\u0dcf\u0dbd\u0dda\u0d9b\u0db1\u0db1\u0dd2\u0dbb\u0dd3\u0d9a\u0dca\u0dc2\u0dab\u0dba \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>Train the model </p>\n": "<p>\u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba\u0db4\u0dd4\u0dc4\u0dd4\u0dab\u0dd4 \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<p>Training/Evaluation mode </p>\n": "<p>\u0db4\u0dd4\u0dc4\u0dd4\u0dab\u0dd4\u0dc0/\u0d87\u0d9c\u0dba\u0dd3\u0db8\u0dca\u0db8\u0dcf\u0daf\u0dd2\u0dbd\u0dd2\u0dba </p>\n",
 "<p>Update global step (number of samples processed) when in training mode </p>\n": "<p>\u0db4\u0dd4\u0dc4\u0dd4\u0dab\u0dd4\u0db4\u0dca\u0dbb\u0d9a\u0dcf\u0dbb\u0dba\u0dda\u0daf\u0dd3 \u0d9c\u0ddd\u0dbd\u0dd3\u0dba \u0db4\u0dd2\u0dba\u0dc0\u0dbb (\u0dc3\u0dd0\u0d9a\u0dc3\u0dd6 \u0dc3\u0dcf\u0db8\u0dca\u0db4\u0dbd \u0d9c\u0dab\u0db1) \u0dba\u0dcf\u0dc0\u0dad\u0dca\u0d9a\u0dcf\u0dbd\u0dd3\u0db1 \u0d9a\u0dbb\u0db1\u0dca\u0db1 </p>\n",
 "<ul><li><span translate=no>_^_0_^_</span> is the batch of MNIST images of shape <span translate=no>_^_1_^_</span></li></ul>\n": "<ul><li><span translate=no>_^_0_^_</span> \u0dc4\u0dd0\u0da9\u0dba\u0dda MNIST \u0dbb\u0dd6\u0db4 \u0d9a\u0dcf\u0dab\u0dca\u0da9\u0dba\u0dba\u0dd2 <span translate=no>_^_1_^_</span></li></ul>\n",
 "Evidential Deep Learning to Quantify Classification Uncertainty Experiment": "\u0dc0\u0dbb\u0dca\u0d9c\u0dd3\u0d9a\u0dbb\u0dab \u0d85\u0dc0\u0dd2\u0db1\u0dd2\u0dc1\u0dca\u0da0\u0dd2\u0dad\u0dad\u0dcf \u0d85\u0dad\u0dca\u0dc4\u0daf\u0dcf \u0db6\u0dd0\u0dbd\u0dd3\u0db8 \u0d9c\u0dab\u0db1\u0dba \u0d9a\u0dd2\u0dbb\u0dd3\u0db8 \u0dc3\u0db3\u0dc4\u0dcf \u0d9c\u0dd0\u0db9\u0dd4\u0dbb\u0dd4 \u0d89\u0d9c\u0dd9\u0db1\u0dd3\u0db8",
 "This trains is EDL model on MNIST": "\u0db8\u0dd9\u0db8 \u0daf\u0dd4\u0db8\u0dca\u0dbb\u0dd2\u0dba MNIST \u0dc4\u0dd2 EDL \u0d86\u0d9a\u0dd8\u0dad\u0dd2\u0dba\u0dba\u0dd2"
}