ConvNet [19] is essentially a kind

ConvNet [19] is essentially a kind of input-to-output mapping. The purpose of the training is to learn the mapping
ability between input and output. The model of the ConvNet is mainly composed of several numbers of convolutional layers and pooling layers. Finally use high-level features, which generated by fully connected layers, as the basis of identifying the input image. The convolutional layer make use of convolutional kernels to process convolutional evaluation with the input image. These image features then convey to the next layer as mapping feature. Thus the convolutional layer is just an image convolution of the previous layer.

ผลลัพธ์ (ไทย) 1:

ConvNet [19] เป็นหลักชนิดแม็ปการอินพุตเอาต์พุต วัตถุประสงค์ของการฝึกอบรมคือการ เรียนรู้การแม็ป ความสามารถในระหว่างการป้อนข้อมูลและ รูปแบบของ ConvNet ส่วนใหญ่ประกอบด้วยตัวเลขหลายชั้นสลับลำดับข้อมูลและการทำพูลเก็บชั้นของ สุดท้าย ใช้คุณสมบัติระดับสูง ซึ่งสร้างขึ้น โดยชั้นความสวย เป็นพื้นฐานของการระบุภาพนำเข้า ทำให้ชั้นของการสลับลำดับข้อมูลใช้เมล็ดสลับลำดับข้อมูลเพื่อประมวลผลการประเมินที่สลับลำดับข้อมูลกับภาพนำเข้า คุณลักษณะภาพเหล่านี้ถ่ายทอดไปยังชั้นถัดไปแล้วเป็นลักษณะการแม็ป ดังนั้น เลเยอร์สลับลำดับข้อมูลเป็นเพียงการบิดรูปของชั้นก่อนหน้านี้

ผลลัพธ์ (ไทย) 2:

ConvNet [19] เป็นหลักชนิดของการทำแผนที่การป้อนข้อมูลเพื่อการส่งออก วัตถุประสงค์ของการฝึกอบรมคือการเรียนรู้การทำแผนที่
ความสามารถในระหว่างเข้าและส่งออก รูปแบบของ ConvNet เป็นส่วนใหญ่ประกอบด้วยตัวเลขหลายชั้นสับสนและชั้นร่วมกัน สุดท้ายใช้คุณลักษณะระดับสูงซึ่งสร้างขึ้นโดยชั้นเชื่อมต่ออย่างเต็มที่เป็นพื้นฐานในการระบุภาพที่นำเข้า สับสนการใช้งานชั้นทำให้เมล็ดความสับสนในการประมวลผลการประเมินความสับสนกับภาพที่นำเข้า องค์ประกอบภาพเหล่านี้แล้วถ่ายทอดให้กับชั้นถัดไปเป็นคุณลักษณะการทำแผนที่ ดังนั้นชั้นสับสนเป็นเพียงบิดภาพของชั้นก่อนหน้านี้

ผลลัพธ์ (ไทย) 3:

convnet [ 19 ] เป็นหลักชนิดของข้อมูลในแผนที่ออก วัตถุประสงค์ของการฝึกอบรมเพื่อเรียนรู้การทำแผนที่ความสามารถในการส่งออกและนำเข้า . รูปแบบของ convnet ส่วนใหญ่ประกอบด้วยตัวเลขหลายชั้นและการขดของชั้น ในที่สุดก็ใช้คุณสมบัติพื้นฐาน ซึ่งสร้างขึ้นโดยเชื่อมต่อเต็มชั้น เป็นพื้นฐานของการระบุภาพใส่ ชั้นของขดขดให้ใช้เมล็ดเพื่อประเมินกระบวนการขดด้วยภาพใส่ รูปเหล่านี้คุณสมบัติแล้วถ่ายทอดสู่ชั้นถัดไปเป็นคุณลักษณะแผนที่ ดังนั้นชั้นขดเป็นเพียงภาพที่ซับซ้อนมากของชั้นก่อนหน้านี้