In contrast, the features of 1000 l

In contrast, the features of 1000 layers of pure linear transformations can be reproduced by a single layer (because a chain of matrix multiplication can always be represented by a single matrix multiplication). This is why non-linear activation functions are so important in deep learning.

ผลลัพธ์ (ไทย) 1:

ตรงกันข้าม คุณสมบัติของการแปลงเชิงเส้นที่บริสุทธิ์ 1000 ชั้นสามารถถูก reproduced โดยชั้นเดียว (เนื่องจากห่วงโซ่ของการคูณเมทริกซ์สามารถแสดงได้ โดยการคูณเมตริกซ์เดียวเสมอ) นี่คือเหตุผลที่เปิดใช้งานคุณสมบัติฟังก์ชั่นสำคัญในการเรียนรู้ที่ลึก

ผลลัพธ์ (ไทย) 2:

ในทางตรงกันข้ามคุณลักษณะ 1000 ชั้นของการแปลงเชิงเส้นบริสุทธิ์ที่สามารถทำซ้ำโดยชั้นเดียว (เพราะเป็นห่วงโซ่ของคูณเมทริกซ์จะสามารถแสดงโดยคูณเมทริกซ์เดี่ยว) นี่คือเหตุผลที่ฟังก์ชั่นการเปิดใช้งานที่ไม่ใช่เชิงเส้นที่มีความสำคัญมากในการเรียนรู้ลึก

ผลลัพธ์ (ไทย) 3:

ในทางตรงกันข้าม คุณสมบัติของการแปลงเชิงเส้น 1000 ชั้นบริสุทธิ์สามารถทำซ้ำโดยชั้นเดียว ( เพราะห่วงโซ่ของการคูณเมทริกซ์จะถูกแทนด้วยการคูณเมทริกซ์เดียว ) นี่คือเหตุผลที่การใช้ฟังก์ชันเป็นสิ่งสำคัญในการเรียนรู้อย่างลึกซึ้ง