When used for image recognition, co

When used for image recognition, convolutional neural networks (CNNs) consist of multiple layers of small neuron collections which look at small portions of the input image, called receptive fields. The results of these collections are then tiled so that they overlap to obtain a better representation of the original image; this is repeated for every such layer. Because of this, they are able to toleratetranslation of the input image.[4] Convolutional networks may include local or global pooling layers, which combine the outputs of neuron clusters.[5][6] They also consist of various combinations of convolutional layers and fully connected layers, with pointwise nonlinearity applied at the end of or after each layer.[7] It is inspired by biological processes. To avoid the situation that there exist billions of parameters if all layers are fully connected, the idea of using a convolution operation on small regions has been introduced. One major advantage of convolutional networks is the use of shared weight in convolutional layers, which means that the same filter (weights bank) is used for each pixel in the layer; this both reduces required memory size and improves performance.[3]

ผลลัพธ์ (ไทย) 1:

เมื่อใช้สำหรับการจดจำภาพ เครือข่ายประสาท convolutional (CNNs) ประกอบด้วยชั้นหลายคอลเลกชันของเซลล์ประสาทขนาดเล็กที่มองส่วนเล็ก ๆ ของภาพเข้า เรียกว่าเขตข้อมูลครอบครัว ผลของชุดแล้วเป็นกระเบื้องเพื่อให้ซ้อนกันเพื่อให้ได้ตัวแทนที่ดีของภาพต้นฉบับ นี้จะซ้ำกันในทุกชั้นเช่น ด้วยเหตุนี้ พวกเขาจะสามารถ toleratetranslation ของสัญญาณภาพ [4] convolutional เครือข่ายอาจรวมถึงท้องถิ่น หรือสากลร่วมชั้น ซึ่งรวม outputs ของกลุ่มเซลล์ประสาท [5] [6] นอกจากนี้ยังประกอบด้วยชุดต่าง ๆ ของชั้น convolutional และชั้นของการเชื่อมต่อทั้งหมด มี nonlinearity pointwise ที่ใช้ในตอนท้ายของ หรือหลัง จากแต่ละชั้น [7] มันเป็นแรงบันดาลใจตามกระบวนการทางชีวภาพ เพื่อหลีกเลี่ยงสถานการณ์ที่ว่า มีอยู่พันพารามิเตอร์ถ้าทุกชั้นเต็ม ความคิดของการใช้ convolution ดำเนินงานในพื้นที่ขนาดเล็กได้ถูกนำ ประโยชน์ข้อสำคัญหนึ่งของเครือข่าย convolutional คือ การใช้น้ำหนักที่ใช้ร่วมกันในชั้น convolutional ซึ่งหมายความ ว่า มีใช้ตัวกรองเดียวกัน (น้ำหนักธนาคาร) สำหรับแต่ละพิกเซลในชั้น นี้ลดขนาดหน่วยความจำที่จำเป็น และปรับปรุงประสิทธิภาพการ [3]

ผลลัพธ์ (ไทย) 2:

เมื่อนำมาใช้สำหรับการรับรู้ภาพเครือข่ายประสาทสับสน (CNNs) ประกอบด้วยหลายชั้นของคอลเลกชันของเซลล์ประสาทเล็ก ๆ ที่ดูส่วนเล็ก ๆ ของภาพที่นำเข้าที่เรียกว่าสาขาที่เปิดกว้าง ผลที่ได้จากคอลเลกชันเหล่านี้จะปูกระเบื้องแล้วเพื่อให้พวกเขาที่ทับซ้อนกันเพื่อให้ได้ตัวแทนที่ดีของภาพต้นฉบับ; นี้จะถูกทำซ้ำทุกชั้นดังกล่าว ด้วยเหตุนี้พวกเขาจะสามารถ toleratetranslation ของภาพที่นำเข้า. [4] เครือข่าย Convolutional อาจรวมถึงชั้นร่วมกันในประเทศหรือทั่วโลกซึ่งรวมผลของกลุ่มเซลล์ประสาท. [5] [6] นอกจากนี้ยังประกอบด้วยชุดต่างๆของชั้นความสับสน และชั้นเชื่อมต่ออย่างเต็มที่ด้วยความไม่เป็นเชิงเส้น pointwise นำมาใช้ในช่วงปลายหรือหลังชั้นแต่ละ. [7] มันเป็นแรงบันดาลใจจากกระบวนการทางชีวภาพ เพื่อหลีกเลี่ยงสถานการณ์ที่มีอยู่หลายพันล้านของพารามิเตอร์ถ้าชั้นทั้งหมดมีการเชื่อมต่ออย่างเต็มที่คิดของการใช้การดำเนินการบิดในภูมิภาคขนาดเล็กที่ได้รับการแนะนำให้รู้จัก ข้อดีอย่างหนึ่งที่สำคัญของเครือข่ายความสับสนคือการใช้น้ำหนักที่ใช้ร่วมกันในชั้น convolutional ซึ่งหมายความว่าตัวกรองเดียวกัน (ธนาคารน้ำหนัก) ใช้สำหรับพิกเซลในชั้นแต่ละ; ทั้งสองนี้จะช่วยลดขนาดหน่วยความจำที่จำเป็นและช่วยเพิ่มประสิทธิภาพ. [3]

ผลลัพธ์ (ไทย) 3:

เมื่อใช้สำหรับภาพการรับรู้ , โครงข่ายประสาทเทียมขด ( cnns ) ประกอบด้วยเซลล์ขนาดเล็ก คอลเลกชันที่ดูส่วนเล็ก ๆของภาพที่ใส่หลายชั้น เรียกว่า อ่อนไหว ฟิลด์ ผลของคอลเลกชันเหล่านี้จะปูกระเบื้องเพื่อให้พวกเขาทับซ้อนกันเพื่อให้ได้เป็นตัวแทนที่ดีของภาพต้นฉบับ ; นี้เป็นเช่นซ้ำสำหรับทุกชั้น เพราะเหตุนี้พวกเขาจะสามารถ toleratetranslation ของภาพข้อมูล [ 4 ] คอนอาจรวมถึงการเครือข่ายท้องถิ่นหรือระดับโลกหลายๆ ชั้น ซึ่งรวมผลของกลุ่มเซลล์ประสาท [ 5 ] [ 6 ] พวกเขายังประกอบด้วยชุดต่าง ๆ ของคอนชั้นอย่างเต็มที่และเชื่อมต่อชั้นกับการจัดการค่าใช้ที่สิ้นสุดหรือหลังจากแต่ละชั้น [ 7 ] มันเป็นแรงบันดาลใจโดยกระบวนการทางชีวภาพเพื่อหลีกเลี่ยงสถานการณ์ที่มีอยู่มากมายค่า ถ้าทุกชั้นเต็มเชื่อมต่อความคิดของการใช้ขดปฏิบัติการภูมิภาคขนาดเล็กได้รับการแนะนํา หนึ่งประโยชน์หลักของเครือข่ายคอนคือการใช้น้ำหนักที่ใช้ร่วมกันในคอนชั้น ซึ่งหมายความว่าตัวกรองเดียวกัน ( น้ำหนักธนาคาร ) จะใช้สำหรับแต่ละพิกเซลในชั้น ;นี้เป็นทั้งลดขนาดหน่วยความจำและปรับปรุงประสิทธิภาพ [ 3 ]