In this way, ConvNets transform the

In this way, ConvNets transform the original image layer by layer from the original pixel values to the final class scores. Note that some layers contain parameters and other don't. In particular, the CONV/FC layers perform transformations that are a function of not only the activations in the input volume, but also of the parameters (the weights and biases of the neurons). On the other hand, the RELU/POOL layers will implement a fixed function. The parameters in the CONV/FC layers will be trained with gradient descent so that the class scores that the ConvNet computes are consistent with the labels in the training set for each image.

In summary:

A ConvNet architecture is a list of Layers that transform the image volume into an output volume (e.g. holding the class scores)
There are a few distinct types of Layers (e.g. CONV/FC/RELU/POOL are by far the most popular)
Each Layer accepts an input 3D volume and transforms it to an output 3D volume through a differentiable function
Each Layer may or may not have parameters (e.g. CONV/FC do, RELU/POOL don't)
Each Layer may or may not have additional hyperparameters (e.g. CONV/FC/POOL do, RELU doesn't)

ผลลัพธ์ (ไทย) 1:

ด้วยวิธีนี้ ConvNets แปลงภาพต้นฉบับชั้นโดยชั้นจากค่าพิกเซลเดิมคะแนนชั้นสุดท้าย ทราบว่า บางชั้นประกอบด้วยพารามิเตอร์อื่น ๆ ไม่ โดยเฉพาะอย่างยิ่ง ชั้น CONV/FC ทำแปลงที่เป็นไปไม่เปิดใช้งานปริมาณอินพุต แต่ยังพารามิเตอร์ (น้ำหนักและยอม neurons) บนมืออื่น ๆ ชั้น RELU/สระ ว่ายน้ำจะใช้ฟังก์ชันถาวร พารามิเตอร์ในชั้น CONV/FC จะได้รับการอบรมกับเชื้อสายไล่ระดับให้คะแนนเรียนที่ ConvNet ตัวเดียวกันกับป้ายชื่อในการฝึกอบรมที่กำหนดสำหรับแต่ละภาพสรุป:สถาปัตยกรรม ConvNet เป็นรายการของเลเยอร์ที่แปลงเสียงภาพเป็นปริมาณการส่งออก (เช่นกดคะแนนคลาส)มีกี่ประเภทของชั้น (เช่น CONV/FC/RELU/สระ ว่ายน้ำนิยมโดยไกลที่สุด)แต่ละชั้นยอมรับเสียง 3D การเข้า และแปลงการไดรฟ์ข้อมูลแบบ 3D แสดงผลผ่านฟังก์ชัน differentiableแต่ละชั้นอาจ หรืออาจไม่มีพารามิเตอร์ (อย่าเช่น CONV/FC โด RELU/สระ ว่ายน้ำ)แต่ละชั้นอาจ หรืออาจไม่มี hyperparameters เพิ่มเติม (เช่น ทำ CONV/FC/สระ ว่ายน้ำ ไม่ RELU)

ผลลัพธ์ (ไทย) 3:

ในวิธีนี้ convnets แปลงภาพเลเยอร์ต้นฉบับโดยชั้นจากพิกเซลเดิมค่าคะแนนระดับสุดท้าย หมายเหตุบางชั้นมีพารามิเตอร์อื่น ๆไม่ได้ โดยเฉพาะอย่างยิ่ง ลำเลียง / FC ชั้นดำเนินการแปลงที่เป็นฟังก์ชันของไม่เพียง แต่กิจกรรมในการป้อนข้อมูลปริมาณ แต่ยังของพารามิเตอร์ ( น้ำหนัก และอคติของ neurons ) บนมืออื่น ๆการ relu สระ / ชั้นจะใช้ฟังก์ชันคงที่ พารามิเตอร์ในการลำเลียง / เอฟซี ชั้นจะได้รับการฝึกอบรมที่มีการไล่ระดับสีโคตรดังนั้นชั้นคะแนนที่คำนวณ convnet สอดคล้องกับป้ายในชุดฝึกแต่ละภาพ

สรุป :

convnet สถาปัตยกรรมรายการของเลเยอร์ที่เปลี่ยนภาพเป็นปริมาณปริมาณผลผลิต เช่น ถือ ระดับคะแนน )
มีไม่กี่ชนิดที่แตกต่างกันของชั้น ( เช่นลำเลียง / FC / relu สระ / โดยไกลที่นิยม )
แต่ละชั้นรับ input 3 ปริมาณและแปลงมันให้ output 3D เสียงผ่านฟังก์ชัน Differentiable
แต่ละชั้นอาจจะหรืออาจจะไม่มีพารามิเตอร์ ( เช่นลำเลียง / FC ทำ relu สระดอน ไม่ )
แต่ละชั้นอาจจะหรืออาจจะไม่ได้ hyperparameters เพิ่มเติม ( เช่น ลำเลียง / FC / สระทำ relu ไม่ได้ )