Convolutional Neural Networks (CNNs

Convolutional Neural Networks (CNNs / ConvNets)

Convolutional Neural Networks are very similar to ordinary Neural Networks from the previous chapter: They are made up of neurons that have learnable weights and biases. Each neuron receives some inputs, performs a dot product and optionally follows it with a non-linearity. The whole network still express a single differentiable score function: From the raw image pixels on one end to class scores at the other. And they still have a loss function (e.g. SVM/Softmax) on the last (fully-connected) layer and all the tips/tricks we developed for learning regular Neural Networks still apply.

So what does change? ConvNet architectures make the explicit assumption that the inputs are images, which allows us to encode certain properties into the architecture. These then make the forward function more efficient to implement and vastly reduces the amount of parameters in the network.

ผลลัพธ์ (ไทย) 2:

Convolutional โครงข่ายประสาท (CNNs / ConvNets) Convolutional โครงข่ายประสาทจะคล้ายกับโครงข่ายประสาทสามัญจากบทก่อนหน้าพวกเขาถูกสร้างขึ้นจากเซลล์ประสาทที่มีน้ำหนัก learnable และอคติ แต่ละเซลล์ประสาทได้รับปัจจัยการผลิตบางส่วนดำเนินการสินค้าจุดและเลือกต่อไปนี้ด้วยเส้นตรงที่ไม่ใช่ ทั้งเครือข่ายยังคงแสดงฟังก์ชั่นคะแนนอนุพันธ์เดียว: จากพิกเซลภาพดิบปลายด้านหนึ่งคะแนนระดับที่อื่น ๆ และพวกเขายังมีฟังก์ชั่นการสูญเสีย (เช่น SVM / Softmax) ในวันสุดท้าย (ที่เชื่อมต่ออย่างเต็มที่) ชั้นและเคล็ดลับทั้งหมด / เทคนิคเราพัฒนาสำหรับการเรียนรู้โครงข่ายประสาทปกติยังคงใช้. ดังนั้นสิ่งที่จะเปลี่ยน? สถาปัตยกรรม ConvNet ทำให้สมมติฐานที่ชัดเจนว่าปัจจัยการผลิตที่มีภาพซึ่งช่วยให้เราสามารถเข้ารหัสคุณสมบัติบางอย่างลงในสถาปัตยกรรม เหล่านี้ทำให้การทำงานมีประสิทธิภาพมากขึ้นไปข้างหน้าในการดำเนินการอย่างมากมายและช่วยลดปริมาณของพารามิเตอร์ในเครือข่าย

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียมขด ( cnns / convnets )

คอนเครือข่ายประสาทจะคล้ายกับสามัญเครือข่ายประสาทจากบทก่อนหน้านี้ : พวกเขาจะสร้างขึ้นจากเซลล์ประสาทที่มีน้ำหนักและอคติ learnable . แต่ละเซลล์ได้รับบางข้อมูล ทําผลิตภัณฑ์จุดและเลือกที่จะตามมันด้วยไม่ . เครือข่าย ทั้งยังแสดงฟังก์ชัน Differentiable คะแนนเดียว :จากภาพดิบพิกเซลบนปลายด้านหนึ่งคะแนนที่เรียนอื่น ๆ และพวกเขายังคงมีการสูญเสียฟังก์ชัน ( เช่น SVM / softmax ) สุดท้าย ( มีต่อ ) ชั้นทั้งหมดเคล็ดลับ / เคล็ดลับที่เราพัฒนาขึ้นเพื่อการเรียนรู้โครงข่ายประสาทเทียมปกติยังคงใช้

แล้วอะไรที่เปลี่ยน ? convnet สถาปัตยกรรมให้ชัดเจน สมมติว่ากระผมเป็นรูปภาพซึ่งช่วยให้เราสามารถเข้ารหัสเป็นคุณสมบัติหนึ่งในสถาปัตยกรรม เหล่านี้ แล้วทำให้การทำงานมีประสิทธิภาพมากขึ้นที่จะใช้ออกมาอย่างมากมายและลดจำนวนของพารามิเตอร์ในเครือข่าย