Problems with BackpropagationDespit

Problems with Backpropagation
Despite being a universal function approximator in theory, FFNNs weren't good at dealing with many sorts of problems in practice. The example relevant to the current discussion is the FFNN's poor ability to recognize objects presented visually. Since every unit in a pool was connected to every unit in the next pool, the number of weights grew very rapidly with the dimensionality of the input, which led to slow learning for the typically high dimensional domain of vision. Even more disconcerting was the spatial ignorance of the FFNN. Since every pair of neurons between two pools had their own weight, learning to recognize a object in one location wouldn't transfer to the same object presented in a different part of the visual field; separate weights would be involved in that calculation. What was needed was an architecture that exploited the two dimensional spacial constraints imposed by its input modality whilst reducing the amount of parameters involved in training. Convolutional neural networks are the architecture.

ผลลัพธ์ (ไทย) 1:

ปัญหา Backpropagationแม้ มีการ approximator ฟังก์ชันสากลในทฤษฎี FFNNs ไม่ดีที่จัดการกับปัญหาในทางปฏิบัติหลายประเภท ตัวอย่างที่เกี่ยวข้องกับการสนทนาปัจจุบันของ FFNN จนสามารถจดจำวัตถุที่แสดงให้เห็นได้ เนื่องจากทุกหน่วยในการเชื่อมต่อกับทุกหน่วยในกลุ่มถัดไป จำนวนน้ำหนักเพิ่มขึ้นอย่างรวดเร็ว ด้วย dimensionality ของอินพุต ที่ช้าเรียนสำหรับโดเมนสูงโดยทั่วไปมิติของวิสัยทัศน์ ไม่รู้พื้นที่ของ FFNN ถูกมาก disconcerting ตั้งแต่ทุกคู่ของ neurons ระหว่างสองมีน้ำหนักของตนเอง เรียนรู้การรับรู้วัตถุในสถานหนึ่งจะไม่โอนย้ายไปยังวัตถุเดียวกันที่นำเสนอในส่วนอื่นของฟิลด์ visual น้ำหนักแยกต่างหากจะเกี่ยวข้องในการคำนวณนั้น สิ่งจำเป็นเป็นสถาปัตยกรรมที่สามารถสองจำกัดมิติ spacial กำหนด โดย modality ของอินพุตในขณะที่ลดจำนวนพารามิเตอร์ที่เกี่ยวข้องในการฝึกอบรม เครือข่ายประสาท convolutional เป็นสถาปัตยกรรม

ผลลัพธ์ (ไทย) 2:

ปัญหาเกี่ยวกับการแพร่กระจายย้อนกลับแม้จะเป็นฟังก์ชั่น approximator สากลในทางทฤษฎี FFNNs ไม่ดีที่จัดการกับทุกประเภทหลายปัญหาในทางปฏิบัติ
ตัวอย่างที่เกี่ยวข้องกับการอภิปรายในปัจจุบันคือความสามารถที่น่าสงสาร FFNN ของการรับรู้วัตถุที่นำเสนอทางสายตา ตั้งแต่หน่วยในสระว่ายน้ำทุกคนถูกเชื่อมต่อกับทุกหน่วยในสระว่ายน้ำต่อไปจำนวนน้ำหนักที่เพิ่มขึ้นมากอย่างรวดเร็วด้วยมิติของท่านซึ่งนำไปสู่การชะลอการเรียนรู้สำหรับโดเมนมิติสูงโดยปกติของการมองเห็น แม้อึกอักมากขึ้นเป็นความโง่เขลาอวกาศ FFNN ตั้งแต่คู่ของเซลล์ประสาทระหว่างสองสระว่ายน้ำทุกคนมีน้ำหนักของตัวเองของพวกเขาเรียนรู้ที่จะรับรู้วัตถุในสถานที่หนึ่งจะไม่ถ่ายโอนไปยังวัตถุเดียวกันที่นำเสนอในส่วนที่แตกต่างกันของเขตข้อมูลภาพ; น้ำหนักที่แยกจากกันจะมีส่วนร่วมในการคำนวณว่า อะไรคือสิ่งที่ต้องการก็คือสถาปัตยกรรมที่ใช้ประโยชน์ทั้งสองข้อ จำกัด อวกาศมิติที่กำหนดโดยกิริยาปัจจัยการผลิตในขณะที่การลดปริมาณของพารามิเตอร์ที่เกี่ยวข้องในการฝึกอบรม เครือข่ายประสาท Convolutional มีสถาปัตยกรรม

ผลลัพธ์ (ไทย) 3:

ปัญหากับแบบ
แม้จะเป็น approximator ฟังก์ชั่นสากลในทฤษฎี ffnns ไม่เก่งในการจัดการกับหลายประเภทของปัญหาในการปฏิบัติงาน ตัวอย่างที่เกี่ยวข้องกับการอภิปรายเป็น ความสามารถในการรับรู้วัตถุที่นำเสนอ ffnn จนมองเห็น เนื่องจากทุกหน่วยในสระว่ายน้ำที่เชื่อมต่อกับทุกหน่วยในสระว่ายน้ำต่อไปจำนวนน้ำหนักที่เพิ่มขึ้นอย่างรวดเร็ว ด้วย dimensionality ของ input ซึ่งนำไปสู่การเรียนรู้ช้าสำหรับโดเมนมิติมักจะสูงในการมองเห็น ยิ่งอึกอักคือความไม่รู้เชิงพื้นที่ของ ffnn . ตั้งแต่คู่ประสาทระหว่างสองสระทุกน้ำหนักของตนเองการเรียนรู้การรับรู้วัตถุในสถานที่หนึ่งจะไม่โอนไปยังวัตถุเดียวกันที่นำเสนอในส่วนที่แตกต่างกันของเขตข้อมูลภาพ ; น้ำหนักแยกจะเกี่ยวข้องกับการคำนวณ สิ่งที่เขาต้องการคือสถาปัตยกรรมที่ใช้ประโยชน์จากสองมิติพิเศษที่กำหนดโดยการใส่เงื่อนไขว่าในขณะที่การลดจำนวนตัวแปรที่เกี่ยวข้องในการฝึกอบรมโครงข่ายประสาทเทียมขดเป็นสถาปัตยกรรม .