We'll start our account of convolut

We'll start our account of convolutional networks with the shallow networks used to attack this problem earlier in the book. Through many iterations we'll build up more and more powerful networks. As we go we'll explore many powerful techniques: convolutions, pooling, the use of GPUs to do far more training than we did with our shallow networks, the algorithmic expansion of our training data (to reduce overfitting), the use of the dropout technique (also to reduce overfitting), the use of ensembles of networks, and others. The result will be a system that offers near-human performance. Of the 10,000 MNIST test images - images not seen during training! - our system will classify 9,967 correctly. Here's a peek at the 33 images which are misclassified. Note that the correct classification is in the top right; our program's classification is in the bottom right:

ผลลัพธ์ (ไทย) 1:

เราจะเริ่มต้นเครือข่าย convolutional บัญชีของเรากับเครือข่ายตื้นที่ใช้โจมตีปัญหานี้ก่อนหน้านี้ในหนังสือ ผ่านการวนซ้ำมาก เราจะสร้างขึ้นในเครือข่ายมีประสิทธิภาพมากขึ้น เราไปเราจะสำรวจด้านเทคนิคที่มีประสิทธิภาพ: convolutions ร่วมกัน ใช้ GPUs ต้องฝึกอบรมเพิ่มเติมไกลกว่าเราไม่ มีเครือข่ายของเราตื้น ขยาย algorithmic ข้อมูลฝึกอบรม (เพื่อลด overfitting), การใช้เทคนิคเป็นถอน (ยังจะลด overfitting), การใช้วงของเครือข่าย และอื่น ๆ ผลจะเป็นระบบที่มีประสิทธิภาพใกล้กับมนุษย์ 10000 MNIST ทดสอบภาพ - ภาพที่ไม่เห็นในระหว่างฝึกอบรม -ระบบของเราจะจัดประเภท 9,967 ได้อย่างถูกต้อง นี่คือมองในรูป 33 ซึ่งเป็นงาน โปรดสังเกตว่า การจัดประเภทที่ถูกต้องอยู่ด้านบนขวา ประเภทของโปรแกรมของเราเป็นด้านล่างขวา:

ผลลัพธ์ (ไทย) 2:

เราจะเริ่มต้นบัญชีของเราของเครือข่ายความสับสนกับเครือข่ายตื้นที่ใช้ในการโจมตีปัญหาก่อนหน้านี้ในหนังสือเล่มนี้ ผ่านการทำซ้ำหลาย ๆ เราจะสร้างเครือข่ายมากขึ้นและมีประสิทธิภาพมากขึ้น ในขณะที่เราไปเราจะสำรวจเทคนิคที่มีประสิทธิภาพหลาย convolutions, ร่วมกัน, การใช้งานของ GPUs ที่จะดำเนินการฝึกอบรมมากขึ้นกว่าที่เราทำกับเครือข่ายตื้นของเราขยายตัวอัลกอริทึมของข้อมูลการฝึกอบรมของเรา (เพื่อลดอิง) ที่ใช้ในการออกกลางคันที่ เทคนิค (ยังช่วยลดอิง) ใช้ตระการตาของเครือข่ายและอื่น ๆ ผลจะเป็นระบบที่มีประสิทธิภาพใกล้เคียงกับมนุษย์ จาก 10,000 MNIST ภาพการทดสอบ - ภาพที่ไม่เคยเห็นในระหว่างการฝึก! - ระบบของเราจะจำแนก 9967 ได้อย่างถูกต้อง นี่คือการมองที่ 33 ภาพที่ได้รับการแบ่ง โปรดทราบว่าการจัดประเภทที่ถูกต้องคือด้านขวาบน; การจัดหมวดหมู่โปรแกรมของเราเป็นที่ด้านล่างขวา:

ผลลัพธ์ (ไทย) 3:

เราจะเริ่มบัญชีเครือข่ายคอนกับตื้นเครือข่ายใช้ปัญหาการโจมตีก่อนหน้านี้ในหนังสือ ผ่านหลายรอบ เราต้องสร้างเครือข่ายมากขึ้นและมีประสิทธิภาพมากขึ้น เมื่อเราเข้าไปเราจะสำรวจเทคนิคที่มีประสิทธิภาพมาก : convolutions ร่วมกัน ใช้สุดซ้อมมากกว่าที่เราทำเครือข่ายตื้นของเราการขยายตัวของข้อมูลขั้นตอนวิธีการฝึกของเรา ( เพื่อลด overfitting ) , การใช้เทคนิคมหิดล ( ยังลด overfitting ) ใช้ตระการตาของเครือข่าย และคนอื่น ๆ ผลจะเป็นระบบที่มีประสิทธิภาพใกล้มนุษย์ ของ 10 , 000 mnist ทดสอบภาพ - ภาพไม่เห็นในระหว่างการฝึก - ระบบจะแบ่ง 9967 ได้อย่างถูกต้องนี่คือแอบมอง 33 ภาพที่ misclassified . โปรดทราบว่าประเภทที่ถูกต้องในด้านบนขวา ประเภทของโปรแกรมของเราคือในด้านล่างขวา :