CNN is a deep learning algorithm by

CNN is a deep learning algorithm by considering spatial inputs. Identical to other neural networks, CNN neurons have learnable weights and biases. However, CNN is mainly used for processing data with a grid topology, giving it a specific characteristic of its architecture [26].CNN is a feedforward network because information flow occurs in one direction only, that is, from their inputs to their outputs [27]. The CNN model uses three main layers, namely, the convolutional, pooling, and fully connected layers (Figure 7). The convolutional and pooling layers are used to reduce the computational complexity. Meanwhile, the fully connected layer is the flattened layer connected to the output. Various pooling techniques are available in the architecture of CNN. However, max pooling is mostly used in CNN layers, where the pooling window contains the maximum value from each elementCNN–LSTM was developed for visual time series prediction problems and generating textual descriptions from the sequences of images. The CNN–LSTM architecture uses CNN layers for feature extraction on input data and combines with LSTM to support sequence prediction. Specifically, CNN extracts the features from spatial inputs and uses them in the LSTM architecture to output the caption. The architecture of the CNN–LSTM model is illustrated in Figure 8. the maximum value from each element [28]The applications of this hybrid model have been used to solve many problems, such as rod pumping [29], particulate matter [30], waterworks [31], and heart rate signals [32]. Studies have demonstrated promising results; for example, Xingjian et al. [33] predicted the future rainfall intensity in a local region over a relatively short period. The experiments show that the CNN–LSTM network captures spatiotemporal correlations better and consistently outperforms the fully connected LSTM (FC‐LSTM) model for precipitation forecasting.

ผลลัพธ์ (ไทย) 1:

CNN เป็นอัลกอริธึมการเรียนรู้เชิงลึกโดยพิจารณาถึงอินพุตเชิงพื้นที่ เช่นเดียวกับโครงข่ายประสาทเทียมอื่นๆ เซลล์ประสาท CNN มีน้ำหนักและอคติที่สามารถเรียนรู้ได้ อย่างไรก็ตาม CNN ส่วนใหญ่จะใช้สำหรับการประมวลผลข้อมูลด้วยโทโพโลยีกริด ทำให้มีลักษณะเฉพาะของสถาปัตยกรรม [26] CNN เป็นเครือข่ายฟีดฟอร์เวิร์ดเนื่องจากการไหลของข้อมูลเกิดขึ้นในทิศทางเดียวเท่านั้น นั่นคือจากอินพุตไปยังเอาต์พุต [27] โมเดล CNN ใช้เลเยอร์หลักสามเลเยอร์ ได้แก่ เลเยอร์แบบหมุนวน การรวมกลุ่ม และเลเยอร์ที่เชื่อมต่อกันอย่างสมบูรณ์ (รูปที่ 7) เลเยอร์การบิดและการรวมกลุ่มถูกใช้เพื่อลดความซับซ้อนในการคำนวณ ในขณะเดียวกันเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์คือเลเยอร์ที่แบนซึ่งเชื่อมต่อกับเอาต์พุต เทคนิคการรวมกลุ่มต่างๆ มีอยู่ในสถาปัตยกรรมของ CNN อย่างไรก็ตาม การรวมกลุ่มสูงสุดส่วนใหญ่จะใช้ในเลเยอร์ CNN โดยที่หน้าต่างการรวมกลุ่มมีค่าสูงสุดจากแต่ละองค์ประกอบCNN–LSTM ได้รับการพัฒนาสำหรับปัญหาการทำนายอนุกรมเวลาด้วยภาพ และสร้างคำอธิบายที่เป็นข้อความจากลำดับของรูปภาพ สถาปัตยกรรม CNN–LSTM ใช้เลเยอร์ CNN สำหรับการแยกคุณลักษณะจากข้อมูลอินพุต และรวมกับ LSTM เพื่อรองรับการทำนายลำดับ โดยเฉพาะอย่างยิ่ง CNN แยกคุณสมบัติจากอินพุตเชิงพื้นที่และใช้ในสถาปัตยกรรม LSTM เพื่อส่งออกคำอธิบายภาพ สถาปัตยกรรมของแบบจำลอง CNN–LSTM แสดงไว้ในรูปที่ 8 ค่าสูงสุดจากแต่ละองค์ประกอบ [28] การใช้งานของแบบจำลองไฮบริดนี้ถูกนำมาใช้เพื่อแก้ปัญหาต่างๆ มากมาย เช่น การสูบแบบแท่ง [29] อนุภาคขนาดเล็ก [30] , การประปา [31] และสัญญาณอัตราการเต้นของหัวใจ [32] การศึกษาได้แสดงให้เห็นถึงผลลัพธ์ที่น่าหวัง ตัวอย่างเช่น Xingjian และคณะ [33] คาดการณ์ความเข้มข้นของฝนในอนาคตในภูมิภาคท้องถิ่นในช่วงเวลาอันสั้น การทดลองแสดงให้เห็นว่าเครือข่าย CNN – LSTM จับความสัมพันธ์เชิงพื้นที่ได้ดีขึ้นและมีประสิทธิภาพเหนือกว่าแบบจำลอง LSTM (FC ‐ LSTM) ที่เชื่อมต่ออย่างสมบูรณ์สำหรับการพยากรณ์ปริมาณน้ำฝนอย่างต่อเนื่อง

ผลลัพธ์ (ไทย) 2:

ซีเอ็นเอ็นคืออัลกอริทึมการเรียนรู้เชิงลึกที่พิจารณาการป้อนข้อมูลเชิงพื้นที่ เช่นเดียวกับเครือข่ายประสาทอื่น ๆ เซลล์ประสาทของ CNN มีน้ําหนักและความเบี่ยงเบนที่สามารถเรียนรู้ได้ อย่างไรก็ตาม CNN ใช้เป็นหลักในการประมวลผลข้อมูลที่มีโทโพโลยีแบบกริดซึ่งทำให้มีลักษณะทางสถาปัตยกรรมที่เฉพาะเจาะจง [26]
ซีเอ็นเอ็นเป็นเครือข่ายฟีด (Feed Network) เนื่องจากการไหลของข้อมูลจะเกิดขึ้นในทิศทางเดียว คือจากอินพุตไปยังเอาต์พุต [27] โมเดลซีเอ็นเอ็นใช้ชั้นหลักสามชั้น ได้แก่ ชั้นม้วน, ชั้นพูลและชั้นเชื่อมต่อเต็มรูปแบบ (รูปที่ 7) ชั้น convolution และ poolized ถูกนำมาใช้เพื่อลดความซับซ้อนในการคำนวณ ในขณะเดียวกันชั้นการเชื่อมต่อที่สมบูรณ์เป็นชั้นแบนที่เชื่อมต่อกับเอาท์พุท เทคโนโลยีพูลต่างๆสามารถใช้งานได้ในสถาปัตยกรรมของ CNN อย่างไรก็ตามพูลสูงสุดส่วนใหญ่จะใช้ในชั้น CNN ซึ่งหน้าต่างพูลมีค่าสูงสุดของแต่ละองค์ประกอบ
ซีเอ็นเอ็น – LSTM ได้รับการพัฒนาสำหรับปัญหาการทำนายลำดับเวลาภาพและสร้างคำอธิบายข้อความตามปัญหานี้

ผลลัพธ์ (ไทย) 3:

CNNเป็นอัลกอริทึมการเรียนรู้ลึกโดยพิจารณาการป้อนข้อมูลเชิงพื้นที่ เช่นเดียวกับเครือข่ายประสาทอื่นๆเซลล์ประสาทCNNมีน้ําหนักและเบี่ยงเบนที่สามารถเรียนรู้ได้ อย่างไรก็ตามCNNส่วนใหญ่ใช้เพื่อประมวลผลข้อมูลโครงสร้างตารางเพื่อให้มีคุณลักษณะสถาปัตยกรรมเฉพาะ[ 26 ]
CNNเป็นเครือข่ายfeedforwardเนื่องจากการไหลของข้อมูลเกิดขึ้นในทิศทางเดียวนั่นคือจากอินพุตไปยังเอาต์พุตของพวกเขา[ 27 ] แบบจําลองCNNใช้ชั้นหลักสามชั้นคือชั้นconvolutionalชั้นสระว่ายน้ําและชั้นการเชื่อมต่อเต็มรูปแบบ(รูปที่7 ) ชั้นconvolutionและpool layerใช้เพื่อลดความซับซ้อนในการคํานวณ ในเวลาเดียวกันเลเยอร์ที่เชื่อมต่อกันอย่างสมบูรณ์คือเลเยอร์แบนที่เชื่อมต่อกับเอาต์พุต ในสถาปัตยกรรมของCNNมีเทคโนโลยีสระว่ายน้ําต่างๆ อย่างไรก็ตามสระว่ายน้ําสูงสุดจะใช้เป็นหลักสําหรับเลเยอร์CNNซึ่งหน้าต่างสระว่ายน้ํามีค่าสูงสุดสําหรับแต่ละองค์ประกอบ
CNN-LSTMได้รับการพัฒนาเพื่อทํานายปัญหาเกี่ยวกับชุดเวลาภาพและสร้างคําอธิบายข้อความจากลําดับภาพ สถาปัตยกรรมCNN-LSTMใช้เลเยอร์CNNเพื่อดึงข้อมูลอินพุตและสนับสนุนการทํานายลําดับร่วมกับLSTM โดยเฉพาะอย่างยิ่งCNNจะดึงคุณลักษณะจากอินพุตเชิงพื้นที่และใช้พวกเขาในสถาปัตยกรรมLSTMเพื่อส่งออกคําบรรยาย สถาปัตยกรรมของรูปแบบCNN-LSTMแสดงในรูปที่8 ค่าสูงสุดต่อองค์ประกอบ[ 28 ]
การประยุกต์ใช้แบบจําลองไฮบริดนี้ได้ถูกนํามาใช้เพื่อแก้ปัญหาหลายอย่างเช่นการสูบน้ําแบบแท่ง[ 29 ]อนุภาค[ 30 ]ระบบประปา[ 31 ]และสัญญาณอัตราการเต้นของหัวใจ[ 32 ] การศึกษาแสดงให้เห็นถึงผลลัพธ์ที่มีแนวโน้ม ตัวอย่างเช่นXingjian et al [33]คาดการณ์ความเข้มของฝนในอนาคตในพื้นที่ในระยะเวลาอันสั้น การทดลองแสดงให้เห็นว่าเครือข่ายCNN-LSTMสามารถจับภาพความสัมพันธ์เชิงพื้นที่และเวลาได้ดีขึ้นและดีกว่าแบบจําลองการคาดการณ์การตกตะกอนของLSTM ( FC-LSTM )ที่เชื่อมต่อกันอย่างเต็มที่