A CNN is composed of one or more co

A CNN is composed of one or more convolutional layers with fully connected layers (matching those in typical artificial neural networks) on top. It also uses tied weights and pooling layers. This architecture allows CNNs to take advantage of the 2D structure of input data. In comparison with other deep architectures, convolutional neural networks are starting to show superior results in both image and speech applications. They can also be trained with standard backpropagation. CNNs are easier to train than other regular, deep, feed-forward neural networks and have many fewer parameters to estimate, making them a highly attractive architecture to use.[94] Examples of applications in Computer Vision include DeepDream.[95]

ผลลัพธ์ (ไทย) 1:

ซีเอ็นเอ็นประกอบด้วยอย่าง น้อยหนึ่ง convolutional ชั้นเชื่อมต่อครบครันชั้นด้วย (ตรงกับผู้ที่อยู่ในเครือข่ายประสาทเทียมทั่วไป) ด้านบน มันยังใช้ผูกน้ำหนักและชั้นของการทำพูลเก็บ สถาปัตยกรรมนี้ CNNs การใช้ประโยชน์จากโครงสร้าง 2 มิติของข้อมูลอินพุตได้ เมื่อเปรียบเทียบกับสถาปัตยกรรมอื่น ๆ ลึก เครือข่ายประสาท convolutional เริ่มต้นจะแสดงผลลัพธ์ที่เหนือกว่าในการใช้งานทั้งภาพและเสียง พวกเขาสามารถยังได้รับการอบรมกับมาตรฐาน backpropagation CNNs ได้ง่ายขึ้นรถไฟกว่าเครือข่ายอื่นปกติ ลึก ประสาทไปดึงข้อมูล และมีพารามิเตอร์น้อยมากในการประเมิน การสถาปัตยกรรมที่น่าสนใจอย่างมากในการใช้ [94] ตัวอย่างของโปรแกรมประยุกต์ในคอมพิวเตอร์วิทัศน์ได้แก่ DeepDream [95]

ผลลัพธ์ (ไทย) 2:

ซีเอ็นเอ็นประกอบด้วยหนึ่งหรือมากกว่าหนึ่งชั้นสับสนกับชั้นเชื่อมต่ออย่างเต็มที่ (ตรงกับผู้ที่อยู่ในเครือข่ายประสาทเทียมโดยทั่วไป) ด้านบน นอกจากนี้ยังใช้น้ำหนักและชั้นเชื่อมโยงร่วมกัน สถาปัตยกรรมนี้จะช่วยให้ CNNs จะใช้ประโยชน์จากโครงสร้าง 2D ของข้อมูลเข้า ในการเปรียบเทียบกับสถาปัตยกรรมลึกอื่น ๆ เครือข่ายประสาท convolutional จะเริ่มต้นที่จะแสดงผลลัพธ์ที่เหนือกว่าทั้งในด้านภาพและการใช้คำพูด พวกเขายังสามารถผ่านการฝึกอบรมกับ backpropagation มาตรฐาน CNNs จะง่ายต่อการฝึกอบรมเครือข่ายอื่น ๆ กว่าปกติลึกประสาทฟีดไปข้างหน้าและมีพารามิเตอร์ที่น้อยลงจำนวนมากในการประมาณการทำให้พวกเขาเป็นสถาปัตยกรรมที่น่าสนใจอย่างมากที่จะใช้. [94] ตัวอย่างของการใช้งานในคอมพิวเตอร์วิสัยทัศน์รวมถึง DeepDream. [95]

ผลลัพธ์ (ไทย) 3:

ซีเอ็นเอ็นประกอบด้วยหนึ่งหรือมากกว่าหนึ่งชั้นคอนพร้อมเชื่อมต่อชั้น ( การจับคู่ในทั่วไป โครงข่ายประสาทเทียม ) ด้านบน นอกจากนี้ยังใช้ผูกน้ำหนักและการชั้น สถาปัตยกรรมนี้จะช่วยให้ cnns เพื่อใช้ประโยชน์จากโครงสร้าง 2 มิติของข้อมูลเข้า ในการเปรียบเทียบกับสถาปัตยกรรมลึกอื่น ๆโครงข่ายประสาทเทียมในคอนจะเริ่มแสดงผลทั้งภาพและการประยุกต์ใช้เสียง พวกเขายังสามารถฝึกตามแบบมาตรฐาน cnns ง่ายกว่าฝึกมากกว่าปกติอื่น ๆ , ลึก , feed-forward โครงข่ายประสาทเทียมและมีหลายตัวแปรที่จะประเมินน้อยลง ทำให้พวกเขามีสถาปัตยกรรมที่น่าสนใจอย่างมากในการใช้[ 94 ] ตัวอย่างของการประยุกต์ใช้ในการมองเห็นของคอมพิวเตอร์รวมถึง deepdream [ 95 ]