Слой (глубокое обучение)
Уровень в модели глубокого обучения — это структура или топология сети в архитектуре модели, которая берет информацию из предыдущих уровней и затем передает ее на следующий уровень.
Типы слоев
[ редактировать ]Первый тип слоя — это плотный слой , также называемый полносвязным слоем . [1] [2] [3] и используется для абстрактных представлений входных данных. В этом слое нейроны соединяются с каждым нейроном предыдущего слоя. В многослойных перцептронных сетях эти уровни сложены вместе.
Сверточный слой [4] обычно используется для задач анализа изображений. На этом слое сеть обнаруживает края, текстуры и узоры. Выходные данные этого слоя затем передаются на полносвязный уровень для дальнейшей обработки. См. также: Модель CNN .
Слой объединения [5] [6] используется для уменьшения размера вводимых данных.
Рекуррентный слой используется для обработки текста с помощью функции памяти. Подобно сверточному слою, выходные данные рекуррентных слоев обычно передаются в полносвязный слой для дальнейшей обработки. См. также: Модель RNN . [7] [8] [9]
Уровень нормализации корректирует выходные данные предыдущих слоев для достижения равномерного распределения. Это приводит к улучшению масштабируемости и обучению модели.
— Скрытый слой это любой из слоев нейронной сети , который не является входным или выходным слоем.
Различия со слоями неокортекса
[ редактировать ]Существует внутренняя разница между многоуровневым обучением и неокортикальным многоуровневым слоем : многоуровневое глубокое обучение зависит от топологии сети внутри слоев , тогда как неокортикальное многоуровневое образование зависит от однородности .
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ «Сверточные нейронные сети CS231n для визуального распознавания» . CS231n Сверточные нейронные сети для визуального распознавания . 10 мая 2016 года . Проверено 27 апреля 2021 г.
Полносвязный уровень. Нейроны в полностью связанном слое имеют полные связи со всеми активациями на предыдущем уровне, как это видно в обычных нейронных сетях.
- ^ «Полносвязный слой» . МАТЛАБ . 1 марта 2021 г. Проверено 27 апреля 2021 г.
Полностью связный слой умножает входные данные на матрицу весов, а затем добавляет вектор смещения.
- ^ Жерон, Орельен (2019). Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и методы построения интеллектуальных систем . Севастополь, Калифорния: O'Reilly Media, Inc., стр. 322–323. ISBN 978-1-4920-3264-9 . OCLC 1124925244 .
- ^ Хабиби, Агдам, Хамед (30 мая 2017 г.). Руководство по сверточным нейронным сетям: практическое применение для обнаружения и классификации дорожных знаков . Херави, Эльназ Джахани. Чам, Швейцария. ISBN 9783319575490 . OCLC 987790957 .
{{cite book}}
: CS1 maint: отсутствует местоположение издателя ( ссылка ) CS1 maint: несколько имен: список авторов ( ссылка ) - ^ Ямагути, Коичи; Сакамото, Кендзи; Акабане, Тосио; Фудзимото, Ёсидзи (ноябрь 1990 г.). Нейронная сеть для независимого от говорящего распознавания изолированных слов . Первая международная конференция по обработке разговорной речи (ICSLP 90). Кобе, Япония.
- ^ Чиресан, Дэн; Мейер, Ули; Шмидхубер, Юрген (июнь 2012 г.). «Многостолбцовые глубокие нейронные сети для классификации изображений». Конференция IEEE 2012 по компьютерному зрению и распознаванию образов . Нью-Йорк, штат Нью-Йорк: Институт инженеров по электротехнике и электронике (IEEE). стр. 3642–3649. arXiv : 1202.2745 . CiteSeerX 10.1.1.300.3283 . дои : 10.1109/CVPR.2012.6248110 . ISBN 978-1-4673-1226-4 . OCLC 812295155 . S2CID 2161592 .
- ^ Дюпон, Сэмюэл (2019). «Тщательный обзор текущего развития структур нейронных сетей» . Ежегодные обзоры под контролем . 14 : 200–230.
- ^ Абиодун, г-н Исаак; Джантхан, Аман; Омолара, Абиодун Эстер; Мать, Химическая Виктория; Мохаммед, Начат Абделатиф; Аршад, Хумайра (01 ноября 2018 г.). «Современное состояние приложений искусственных нейронных сетей: обзор» . Гелион 4 (11):e0 Бибкод : 2018Вертолет... 400938A doi : 10.1016/j.helion.2018.e00938 . ISSN 2405-8440 . ПМК 6260436 . ПМИД 30519653 .
- ^ Тилаб, Ахмед (01 декабря 2018 г.). «Прогнозирование временных рядов с использованием методологий искусственных нейронных сетей: систематический обзор» . Журнал будущих вычислений и информатики . 3 (2): 334–340. дои : 10.1016/j.fcij.2018.10.003 . ISSN 2314-7288 .