As has already been mentioned, 1D c

As has already been mentioned, 1D convolutional neural nets can be used for extracting local 1D patches (subsequences) from sequences and can identify local patterns within the window of convolution. And because the same transformation is applied on every patch identified by the window, a pattern learnt at one position can also be recognized at a different position, making 1D conv nets translation invariant.Another interesting use case is to combine 1D conv nets with RNNs. Suppose you have a long sequence to process so long that it cannot be realistically processed by RNNs. In such cases, 1D conv nets can be used as a pre-processing step to make the sequence smaller through downsampling by extracting higher level features, which can, then be passed on to the RNN as input.

ผลลัพธ์ (ไทย) 1:

ดังที่ได้กล่าวไปแล้ว โครงข่ายประสาทเทียมแบบ 1D สามารถใช้ในการแยกแพตช์ 1D ในพื้นที่ (ลำดับต่อมา) ออกจากลำดับ และสามารถระบุรูปแบบเฉพาะที่ภายในหน้าต่างของการบิดตัวได้ และเนื่องจากการเปลี่ยนแปลงเดียวกันนี้ถูกนำไปใช้กับทุกแพตช์ที่ระบุโดยหน้าต่าง รูปแบบที่เรียนรู้จากตำแหน่งหนึ่งจึงสามารถรับรู้ที่ตำแหน่งอื่นได้ ส่งผลให้การแปล 1D Conv Net ไม่แปรผัน กรณีการใช้งานที่น่าสนใจอีกประการหนึ่งคือการรวม 1D Conv nets เข้ากับ RNN สมมติว่าคุณมีลำดับการประมวลผลที่ยาวจนไม่สามารถประมวลผลโดย RNN ได้สมจริง ในกรณีเช่นนี้ ตาข่าย Conv 1D สามารถใช้เป็นขั้นตอนก่อนการประมวลผลเพื่อทำให้ลำดับมีขนาดเล็กลงผ่านการสุ่มตัวอย่างโดยการแยกคุณลักษณะระดับที่สูงกว่า ซึ่งสามารถส่งต่อไปยัง RNN เป็นอินพุตได้

ผลลัพธ์ (ไทย) 2:

ดังที่ได้กล่าวไว้ก่อนหน้านี้เครือข่ายประสาท 1D convolution สามารถใช้เพื่อแยกแพทช์ 1D ท้องถิ่น (ลำดับย่อย) จากลำดับและสามารถระบุรูปแบบท้องถิ่นภายในหน้าต่าง convolution เนื่องจากการแปลงเดียวกันถูกนำมาใช้กับแต่ละแพทช์ของการระบุหน้าต่างรูปแบบการเรียนรู้ในสถานที่เดียวยังสามารถรับรู้ได้ในตำแหน่งที่แตกต่างกันทำให้การแพน 1D convolution net ไม่เปลี่ยนแปลง
อีกกรณีการใช้งานที่น่าสนใจคือการรวมเครือข่าย conv 1D เข้ากับ RNN สมมุติว่าลำดับที่คุณกำลังยุ่งอยู่นั้น ยาวเกินกว่าที่ RNN จะจัดการกับมันได้ ในกรณีนี้ 1D convolution network สามารถใช้เป็นขั้นตอนการเตรียมการสำหรับการสุ่มตัวอย่างด้านล่างโดยการดึงคุณลักษณะระดับสูงขึ้นเพื่อให้ลำดับมีขนาดเล็กลงและส่งไปยัง RNN เป็นอินพุต

ผลลัพธ์ (ไทย) 3:

ดังที่ได้กล่าวมาแล้วเครือข่ายประสาทเทียมแบบconvolutional 1 dสามารถใช้เพื่อดึงแผ่น1 dในท้องถิ่น(ลําดับย่อย)จากลําดับและสามารถระบุรูปแบบท้องถิ่นภายในหน้าต่างconvolutionได้ และเนื่องจากมีการแปลงเดียวกันกับแต่ละแพทช์ที่ระบุโดยหน้าต่างรูปแบบการเรียนรู้ในตําแหน่งเดียวสามารถระบุได้ในตําแหน่งที่ต่างกันทําให้การแปล1 d convไม่เปลี่ยนแปลง

อีกกรณีหนึ่งที่น่าสนใจคือการรวมเครือข่าย1 d convและRNNs สมมติว่าคุณมีลําดับที่ยาวมากที่ต้องประมวลผลมันยาวเกินไปRNNsไม่สามารถจัดการได้จริง ในกรณีนี้เครือข่ายconv 1 dสามารถใช้เป็นขั้นตอนการประมวลผลล่วงหน้าเพื่อให้ลําดับมีขนาดเล็กลงโดยการสุ่มตัวอย่างลงจากคุณลักษณะระดับที่สูงขึ้นและสามารถส่งผ่านไปยังRNNเป็นอินพุตได้