Before Deep Learning’s successful r

Before Deep Learning’s successful recognitions, it was required for human beings to design characteristics to be recognized, but it is now possible for Deep Learning to learn structure of the data without such design. Multiple neural network learns at each layer and simple characteristics learned at the layer close to input can be used for other learning and recognition. For example, Deep Learning network for image recognition creates network detecting simple edges at data input level, and this network is effective in font recognition as well as general object recognition.

ผลลัพธ์ (ไทย) 1:

ก่อนสำเร็จความสำเร็จของการเรียนรู้ลึก มันเป็นสิ่งจำเป็นสำหรับมนุษย์ในการออกแบบลักษณะการรับรู้ แต่ในปัจจุบันเป็นการเรียนรู้ลึกเรียนรู้โครงสร้างของข้อมูลโดยออกแบบดังกล่าว โครงข่ายประสาทหลายเรียนรู้ในแต่ละชั้น และลักษณะง่ายเรียนในชั้นปิดเพื่อใช้ป้อนข้อมูลสำหรับการรู้จำและการเรียนรู้อื่น ๆ ตัวอย่างเช่น เครือข่ายการเรียนรู้ที่ลึกสำหรับการรู้จำภาพสร้างเครือข่ายตรวจจับง่ายขอบข้อมูลระดับสัญญาณ และเครือข่ายนี้มีประสิทธิภาพในการรับรู้อักษรตลอดจนรู้จำวัตถุทั่วไป

ผลลัพธ์ (ไทย) 2:

ก่อนที่จะประสบความสำเร็จในการเรียนรู้การรับรู้ลึกมันก็จำเป็นสำหรับมนุษย์ในการออกแบบลักษณะที่จะได้รับการยอมรับ แต่ตอนนี้มันเป็นไปได้สำหรับการเรียนรู้ลึกในการเรียนรู้โครงสร้างของข้อมูลได้โดยไม่ต้องออกแบบดังกล่าว เครือข่ายประสาทหลายเรียนรู้ในแต่ละชั้นและลักษณะที่เรียบง่ายเรียนรู้ที่ชั้นใกล้เคียงกับการป้อนข้อมูลสามารถนำมาใช้สำหรับการเรียนรู้อื่น ๆ และได้รับการยอมรับ ยกตัวอย่างเช่นเครือข่ายการเรียนรู้ลึกสำหรับการรับรู้ภาพสร้างเครือข่ายการตรวจสอบขอบเรียบง่ายในระดับการป้อนข้อมูลและเครือข่ายนี้จะมีประสิทธิภาพในการรับรู้อักษรเช่นเดียวกับการรับรู้วัตถุทั่วไป

ผลลัพธ์ (ไทย) 3:

ก่อนที่จะเรียนลึกมักจะประสบความสำเร็จ มันต้องใช้มนุษย์ในการออกแบบคุณลักษณะที่ได้รับการยอมรับ แต่มันคือตอนนี้เป็นไปได้สำหรับลึกเรียนโครงสร้างของข้อมูล โดยการออกแบบเช่น เครือข่ายประสาทหลายเรียนรู้ในแต่ละชั้นและคุณลักษณะง่ายเรียนรู้ที่ชั้นใกล้ใส่สามารถใช้สำหรับการเรียนรู้และการรับรู้ ตัวอย่างเช่น ลึกเครือข่ายการเรียนรู้สำหรับการสร้างเครือข่ายการตรวจหาขอบภาพที่ง่ายข้อมูลระดับสัญญาณและเครือข่ายนี้จะมีประสิทธิภาพในการรับรู้ตัวอักษรเช่นเดียวกับการรับรู้วัตถุทั่วไป