Figure 1: Learned hierarchical feat

Figure 1: Learned hierarchical features from a deep learning algorithm. Each feature can be thought of as a filter, which filters the input image for that feature (a nose). If the feature is found, the responsible unit or units generate large activations, which can be picked up by the later classifier stages as a good indicator that the class is present. Image by Honglak Lee and colleagues (2011) as published in “Unsupervised Learning of Hierarchical Representations with Convolutional Deep Belief Networks”.

ผลลัพธ์ (ไทย) 1:

รูปที่ 1: เรียนรู้คุณลักษณะลำดับจากขั้นตอนการเรียนรู้ลึก แต่ละคุณลักษณะสามารถคิดเป็นตัวกรอง กรองภาพสำหรับการป้อนค่าสำหรับคุณสมบัติดัง (จมูก) ถ้าพบลักษณะการทำงาน หน่วยรับผิดชอบหรือหน่วยสร้างขนาดใหญ่การเปิดใช้งาน ซึ่งสามารถเลือกขึ้น โดยระยะหลังลักษณนามเป็นตัวบ่งชี้ที่ดีว่า เรียนอยู่ ภาพ โดย Honglak Lee และเพื่อนร่วมงาน (2011) ตามที่เผยแพร่ใน "คอยกำกับการเรียนรู้ของลำดับชั้นแทนด้วยสลับลำดับข้อมูลลึกเชื่อเครือข่าย"

ผลลัพธ์ (ไทย) 2:

รูปที่ 1: เรียนรู้คุณลักษณะลำดับชั้นจากขั้นตอนวิธีการเรียนรู้ที่ลึก คุณลักษณะแต่ละคนสามารถจะคิดว่าเป็นตัวกรองที่กรองภาพที่นำเข้าสำหรับคุณลักษณะ (จมูก) ที่ หากสถานที่ที่พบหน่วยรับผิดชอบหรือหน่วยสร้างการเปิดใช้งานขนาดใหญ่ซึ่งสามารถหยิบขึ้นมาจากขั้นตอนการจําแนกต่อมาเป็นตัวบ่งชี้ที่ดีว่าชั้นเป็นปัจจุบัน ภาพโดย Honglak ลีและเพื่อนร่วมงาน (2011) ขณะที่ตีพิมพ์ใน "Unsupervised การเรียนรู้ของลำดับชั้นการรับรองกับ Convolutional เครือข่ายความเชื่อลึก"

ผลลัพธ์ (ไทย) 3:

รูปที่ 1 : เรียนรู้ลำดับชั้นคุณลักษณะจากลึกเรียนรู้ขั้นตอนวิธีการ แต่ละคุณลักษณะที่สามารถคิดเป็นตัวกรองที่กรองภาพที่ใส่คุณลักษณะที่ ( จมูก ) หากคุณสมบัติพบหน่วยที่รับผิดชอบ หรือ หน่วยสร้างกิจกรรมขนาดใหญ่ ซึ่งสามารถเลือกขึ้นโดยขั้นตอนต่อมาลักษณนามเป็นตัวบ่งชี้ที่ดีว่า ชั้นเรียนเป็นปัจจุบัน ภาพโดย honglak Lee และเพื่อนร่วมงาน ( 2011 ) ที่เผยแพร่ใน " ดาวแคระดำแสดงลำดับชั้นของเครือข่าย " ความเชื่อลึกคอน .