Enter deep convolutional neural net

Enter deep convolutional neural networks. Rather than trying to programmatically define rule-based systems for object detection, deep nets are relatively simple architectures with tens of millions of parameters that are trained rather than designed. These networks automatically learn patterns from millions of annotated examples, and having seen a sufficient number of such examples start to generalize to novel images. Deep nets are particularly adapt at answering yes/no questions about an image (classification) — for example, does an image contain a sheep?

ผลลัพธ์ (ไทย) 1:

ป้อนลึกสลับลำดับข้อมูลเครือข่ายประสาท แทนที่จะพยายามที่จะกำหนดโดยการเขียนโปรแกรมระบบตามกฎสำหรับตรวจจับวัตถุ มุ้งลึกมีสถาปัตยกรรมที่ค่อนข้างง่าย ด้วยหลายสิบล้านของพารามิเตอร์ที่มีการฝึกอบรม มากกว่าออกแบบมา เครือข่ายเหล่านี้เรียนรู้รูปแบบจากล้านตัวอย่างประกอบ และได้เห็นจำนวนที่เพียงพออย่างเช่นเริ่มการทั่วไปนวนิยายภาพโดยอัตโนมัติ ลึกมุ้งจะปรับตัวโดยเฉพาะอย่างยิ่งที่ใช่/ไม่ใช่ตอบคำถามเกี่ยวกับภาพ (จัดประเภท) — ตัวอย่างเช่น ไม่มีภาพประกอบด้วยแกะ

ผลลัพธ์ (ไทย) 2:

ใส่ลึกเครือข่ายประสาทสับสน มากกว่าที่จะพยายามที่จะกำหนดโปรแกรมระบบตามกฎสำหรับการตรวจจับวัตถุ, มุ้งลึกสถาปัตยกรรมค่อนข้างง่ายที่มีนับล้านของพารามิเตอร์ที่ได้รับการฝึกฝนมากกว่าการออกแบบ เครือข่ายเหล่านี้โดยอัตโนมัติเรียนรู้รูปแบบจากล้านตัวอย่างข้อเขียนและได้เห็นเป็นจำนวนที่เพียงพอตัวอย่างเช่นเริ่มต้นที่จะพูดคุยกับภาพนวนิยาย มุ้งลึกโดยเฉพาะอย่างยิ่งการปรับตัวในการตอบ Yes / No คำถามเกี่ยวกับภาพ (จำแนกประเภท) - ตัวอย่างเช่นไม่ประกอบด้วยภาพแกะ?