Biedrs : Logins |Reģistrācija |Upload zināšanas
Meklēšana
Convolutional neironu tīkls [Modifikācija ]
Mašīnu apguvē konvertācijas neironu tīkls (CNN vai ConvNet) ir dziļu, padeves virzienu mākslīgo neironu tīklu klase, kas ir veiksmīgi izmantota vizuālo attēlu analīzei.
CNNs izmanto daudzslāņu perceptronu variāciju, kas paredzētas minimālai pirmapstrādei. Tos pazīst arī kā maiņu invariantus vai kosmosa invariantus mākslīgos neironu tīklus (SIANN), pamatojoties uz to kopējo svaru arhitektūru un tulkošanas invarianitātes raksturlielumiem.
Konvolatīvos tīklus iedvesmoja bioloģiskie procesi, kuros savienojumu modeli starp neironiem iedvesmoja dzīvnieku redzes garozas organizācija. Atsevišķi koriģējošie neironi reaģē uz stimuliem tikai ierobežotā redzes lauka apgabalā, kas pazīstams kā uztverošs lauks. Dažādu neironu uztverošie lauki daļēji pārklājas, lai tie aptvertu visu redzes lauku.
CNN izmanto relatīvi nelielu iepriekšēju apstrādi salīdzinājumā ar citiem attēlu klasifikācijas algoritmiem. Tas nozīmē, ka tīkls uzzina filtrus, kas tradicionālajos algoritmos tika izstrādāti ar roku. Šī neatkarība no iepriekšējām zināšanām un cilvēka centieniem iezīme ir būtiska priekšrocība.
Viņiem ir lietojumprogrammas attēlu un video atpazīšanā, ieteikumu sistēmās un dabiskās valodas apstrādē.
1.Dizains
1.1.Convolutional
1.2.Apvienošana
1.3.Pilnībā savienots
1.4.Svars
2.Laika aiztures neironu tīkli
3.Vēsture
3.1.Atbildīgie lauki
3.2.Neokognitrons
3.2.1.LeNet-5
3.3.Shift-invariantne nervu tīkls
3.4.Nieru abstrakcijas piramīda
3.5.GPU ieviešana
4.Atšķirības funkcijas
5.Celtniecības klucīši
5.1.Konversijas slānis
5.1.1.Vietējā savienojamība
5.1.2.Telpiskais izvietojums
5.1.3.Parametru koplietošana
5.2.Sabiedriskais slānis
5.3.ReLU slānis
5.4.Pilnībā piesaistīts slānis
5.5.Zaudējumu slānis
6.Hiperparametru izvēle
6.1.Filtru skaits
6.2.Filtrēt formu
6.3.Maksimālā pūla forma
7.Regulārošanas metodes
7.1.Empīrisks
7.1.1.Izlaidums
7.1.2.DropConnect
7.1.3.Stohastiska apvienošana
7.1.4.Mākslīgie dati
7.2.Skaidrs
7.2.1.Agrīna apstāšanās
7.2.2.Parametru skaits
7.2.3.Svara samazināšanās
7.2.4.Max normas ierobežojumi
8.Hierarhijas koordinātu rāmji
9.Pieteikumi
9.1.Attēla atpazīšana
9.2.Video analīze
9.3.Dabīgā valodas apstrāde
9.4.Narkotiku atklāšana
9.5.Dambrete
9.6.Iet
10.Laba skaņa
11.Paplašinājumi
11.1.Deep Q-tīkli
11.2.Dziļo pārliecību tīkli
12.Kopējās bibliotēkas
13.Kopīgi API
14.Populārā kultūra
[Augšupielādēt Vairāk Saturs ]


Autortiesības @2018 Lxjkh