Feature Depth & UniversalityWhile c

Feature Depth & Universality
While current model can be trained up to around 8 functional layers, many more might be needed to scale up to the full complexity of the human ventral stream. Unfortunately, the prospects for such scaling seem bleak, since backpropagation is known to be subject to "disappearing gradiants", error signals that rapidly approach zero as there passed down the layers. Luckily, there are several ways in which researchers are fighting back against this problem. The first comes from neuroscience, where some (e.g. Serre), have mapped their architectures directly to neural structure, and the mapping suggests that maybe to only really have 8 or so layers. Another approach is to evoke evolution. Perhaps some convolution layers were learnt on an evolutionary timescale and are task invariant. Such universal features aren't all that implausible for the early layers, as things such as Gabor filters tend to be learnt across most task settings. The last, and most promising, approach is to look to the emerging "deep learning" community for insight. So called deep architectures can have arbitrarily many layers since they are trained in a greedy, layer-by-layer procedure. While the best greedy learning algorithm for convolutional architectures is currently unclear (most deep learning involves unsupervised error signals), inroads are being made and the future for convolutional networks remains bright.

ผลลัพธ์ (ไทย) 1:

ลักษณะลึกและ Universalityในขณะที่สามารถได้รับการอบรมรุ่นปัจจุบันถึงชั้นทำงานประมาณ 8 มากอาจจำเป็นในการปรับกระแส ventral มนุษย์ซับซ้อนเต็ม อับ แนวโน้มการปรับมาตราส่วนดังกล่าวดูเหมือนเยือกเย็น เนื่องจาก backpropagation เป็นที่รู้จักกันเป็นเรื่องที่ "disappearing gradiants" ข้อผิดพลาดของสัญญาณที่รวดเร็วเข้าหาศูนย์ที่มีทอดชั้น โชคดี มีหลายวิธีที่นักวิจัยกำลังต่อสู้กลับกับปัญหานี้ ครั้งแรกมาจากประสาทวิทยาศาสตร์ บาง (เช่น Serre), มีแมปของสถาปัตยกรรมโดยตรงกับโครงสร้างประสาท และการแม็ปแนะนำว่า อาจจะมีชั้น 8 หรืออื่น ๆ เท่านั้นจริง ๆ อีกวิธีคือการ วิวัฒนาการที่เรามอบให้ บางทีบางชั้น convolution ได้เรียนรู้บนสเกลมีวิวัฒนาการ และมีบล็อกงาน คุณลักษณะเช่นสากลไม่ที่ไม่น่าเชื่อในชั้นต้น เป็นสิ่งที่เป็นตัวกรองกาบอร์มักจะได้เรียนรู้ผ่านการตั้งค่าของงานมากที่สุด วิธีสุดท้าย และ ว่า หาเพื่อ "เรียนรู้ลึก" ชุมชนเกิดความเข้าใจได้ สถาปัตยกรรมสิ่งที่เรียกว่าลึกได้โดยหลายชั้นเนื่องจากมีการฝึกอบรมในขั้นตอนที่ตะกละ ชั้นโดยชั้น ขณะเรียนโลภส่วนอัลกอริทึมสำหรับสถาปัตยกรรม convolutional ชัดเจนในปัจจุบัน (เรียนรู้ลึกส่วนใหญ่เกี่ยวข้องกับสัญญาณผิดพลาด unsupervised), กำลังจะรอง และในอนาคตสำหรับเครือข่าย convolutional ยังคงสดใส

ผลลัพธ์ (ไทย) 2:

คุณสมบัติของความลึกและความแพร่หลายในขณะที่รุ่นปัจจุบันสามารถฝึกได้ถึงประมาณ 8 ชั้นการทำงานอื่น ๆ อีกมากมายอาจจะจำเป็นที่จะไต่ขึ้นไปที่ซับซ้อนเต็มไปด้วยกระแสท้องของมนุษย์
แต่น่าเสียดายที่โอกาสสำหรับการปรับดังกล่าวดูเหมือนเยือกเย็นตั้งแต่ backpropagation เป็นที่รู้จักกันจะเป็นเรื่องที่ "gradiants หายไป" ข้อผิดพลาดที่ส่งสัญญาณอย่างรวดเร็วเข้าใกล้ศูนย์ที่มีการผ่านลงมาชั้น โชคดีที่มีหลายวิธีที่นักวิจัยจะต่อสู้กลับกับปัญหานี้ ครั้งแรกที่มาจากระบบประสาทที่บางส่วน (เช่น Serre) มีแมปสถาปัตยกรรมของพวกเขาโดยตรงกับโครงสร้างของระบบประสาทและการทำแผนที่แสดงให้เห็นว่าอาจจะเป็นเพียงจริงๆมี 8 หรือเพื่อให้ชั้น อีกวิธีหนึ่งคือการทำให้เกิดวิวัฒนาการ บางทีบางชั้นบิดได้รับการเรียนรู้ในระยะเวลาวิวัฒนาการและงานคงที่ คุณสมบัติสากลดังกล่าวเป็นสิ่งที่ไม่น่าเชื่อสำหรับชั้นต้นเป็นสิ่งต่างๆเช่นกรองบอร์มีแนวโน้มที่จะได้เรียนรู้ทั่วประเทศส่วนใหญ่การตั้งค่างาน สุดท้ายและมีแนวโน้มมากที่สุดวิธีการคือการมองไปที่เกิดขึ้นใหม่ "การเรียนรู้ที่ลึก" เพื่อทำความเข้าใจกับชุมชน เรียกว่าสถาปัตยกรรมลึกสามารถมีหลายชั้นโดยพลการเพราะพวกเขาได้รับการฝึกฝนในโลภขั้นตอนชั้นโดยชั้น ในขณะที่การเรียนรู้ขั้นตอนวิธีโลภที่ดีที่สุดสำหรับสถาปัตยกรรมความสับสนในขณะนี้ยังไม่ชัดเจน (การเรียนรู้ที่ลึกที่สุดที่เกี่ยวข้องกับความผิดพลาดของสัญญาณใกล้ชิด) inroads มีการทำและในอนาคตสำหรับเครือข่ายความสับสนยังคงสดใส

ผลลัพธ์ (ไทย) 3:

มีความลึก&ความเป็นสากล
ในขณะที่รุ่นปัจจุบันสามารถฝึกฝนได้ถึงรอบ 8 ชั้นการทำงานหลายมากขึ้นอาจจะต้องปรับขึ้นถึงความซับซ้อนเต็มสตรีม ) มนุษย์ แต่น่าเสียดายที่โอกาสเช่นการดูเลือนลาง เพราะแบบเป็นที่รู้จักกันเป็น เรื่อง " gradiants " หายไป ข้อผิดพลาดอย่างรวดเร็วเข้าหาศูนย์ มีสัญญาณที่ผ่านการลงชั้นโชคดีที่มีหลายวิธีที่นักวิจัยจะสู้กับปัญหานี้ ครั้งแรกที่มาจากสมอง ซึ่งบางอย่าง ( เช่น Serre ) มีแมปสถาปัตยกรรมโดยตรงโครงสร้างประสาท และแผนที่แสดงให้เห็นว่าบางทีเท่านั้น จริงๆมี 8 หรือชั้น อีกวิธีหนึ่งคือการสร้างวิวัฒนาการบางทีชั้นขดเป็นเรียนรู้บนเวลาวิวัฒนาการและความงาน คุณสมบัติสากลดังกล่าวไม่ได้ทั้งหมดที่ยากสำหรับชั้นแรกเป็นสิ่งต่างๆ เช่น ตัวกรอง กาบอร์ มีแนวโน้มที่จะเรียนรู้ในการตั้งค่างานมากที่สุด ล่าสุด และ แนวโน้มมากที่สุด วิธีการที่จะมองไปที่เกิดขึ้นใหม่ " การเรียนรู้ " ลึกชุมชนเพื่อความเข้าใจเรียกว่าสถาปัตยกรรมหลายชั้นลึกได้ตามอำเภอใจเนื่องจากพวกเขามีการฝึกอบรมในขั้นตอนโลภชั้นโดยชั้น ในขณะที่ขั้นตอนวิธีการเรียนรู้โลภที่ดีที่สุดสำหรับขดสถาปัตยกรรมปัจจุบันชัดเจน ( เรียนลึกมากที่สุดที่เกี่ยวข้องกับสัญญาณผิดพลาด unsupervised ) สัตว์ถูกสร้างขึ้นและอนาคตสำหรับเครือข่ายคอน

ยังคงสดใส