1. IntroductionLearning and general

1. Introduction
Learning and generalization in neural networks strongly depends on
the complexity of the network used, including the architecture of the
network, the number and types of parameters used by the network,
the procedure used for initialization of its parameters and the details
of the learning procedure. Models that are too complex may
learn the training data perfectly but will not generalize well. It is
commonly believed that the simplest models have the best generalization
capabilities, but proper regularization of the cost function
may ensure good generalization even in overparametrized models
[1]. Finding global minimum of a complex, nonlinear error function
with many parameters is an NP-hard problem [2]. Construction of
appropriate architecture and proper initialization of adaptive parameters
should enable finding close to optimal solutions for real-world
problems, significantly decreasing the learning time.

ผลลัพธ์ (ไทย) 1:

1. บทนำเรียนรู้ และ generalization ในเครือข่ายประสาทอย่างยิ่งขึ้นอยู่กับความซับซ้อนของเครือข่ายใช้ รวมถึงสถาปัตยกรรมเครือข่าย หมายเลข และชนิดของพารามิเตอร์ที่ใช้ โดยเครือข่ายขั้นตอนที่ใช้สำหรับการเริ่มต้นของพารามิเตอร์และรายละเอียดของกระบวนการเรียนรู้ รูปแบบที่ซับซ้อนเกินไปอาจเรียนรู้ข้อมูลการฝึกอบรมอย่างสมบูรณ์แบบ แต่จะไม่เมดี จึงโดยทั่วไปเชื่อว่า รูปแบบที่ง่ายที่สุดมี generalization สุดความสามารถ แต่ regularization ของฟังก์ชันต้นทุนที่เหมาะสมอาจให้ generalization ดีแม้ในรุ่น overparametrized[1] การค้นหาข้อผิดพลาดที่ซับซ้อน ไม่เชิงเส้นฟังก์ชันสากลน้อยมีหลายพารามิเตอร์จะมีปัญหาหนัก NP [2] การก่อสร้างสถาปัตยกรรมที่เหมาะสมและการเริ่มต้นของพารามิเตอร์ที่เหมาะสมเหมาะสมควรเปิดใช้งานการค้นหาใกล้กับโซลูชั่นที่ดีที่สุดในโลกจริงปัญหา ลดเวลาเรียนรู้อย่างมีนัยสำคัญ

ผลลัพธ์ (ไทย) 2:

1. บทนำเรียนรู้และทั่วไปในเครือข่ายประสาทอย่างรุนแรงขึ้นอยู่กับความซับซ้อนของเครือข่ายที่ใช้รวมถึงสถาปัตยกรรมของเครือข่ายจำนวนและประเภทของตัวแปรที่ใช้โดยเครือข่ายขั้นตอนที่ใช้สำหรับการเริ่มต้นของพารามิเตอร์และรายละเอียดของขั้นตอนการเรียนรู้ ที่มีความซับซ้อนมากเกินไปอาจจะเรียนรู้ข้อมูลการฝึกอบรมที่ดีที่สุด แต่จะไม่คุยกัน มันเป็นที่เชื่อกันว่ารูปแบบที่ง่ายมีที่ดีที่สุดทั่วไปความสามารถแต่ regularization ฟังก์ชั่นที่เหมาะสมของค่าใช้จ่ายอาจจะให้แน่ใจว่าลักษณะทั่วไปดีแม้ในรูปแบบoverparametrized [1] การค้นหาขั้นต่ำทั่วโลกที่ซับซ้อนการทำงานข้อผิดพลาดที่ไม่เป็นเชิงเส้นกับปัจจัยหลายประการเป็นปัญหา NP-ยาก [2] การก่อสร้างสถาปัตยกรรมที่เหมาะสมและการเริ่มต้นที่เหมาะสมของพารามิเตอร์การปรับตัวจะช่วยให้การค้นหาใกล้กับการแก้ปัญหาที่ดีที่สุดสำหรับโลกแห่งความจริงปัญหาที่เกิดขึ้นอย่างมีนัยสำคัญลดลงเวลาการเรียนรู้

ผลลัพธ์ (ไทย) 3:

1 . แนะนำการเรียนและการแผ่ขยายในข่ายงาน

ขอขึ้นอยู่กับความซับซ้อนของเครือข่ายที่ใช้ รวมถึงสถาปัตยกรรมของ
เครือข่าย จำนวนและชนิดของพารามิเตอร์ที่ใช้โดยเครือข่าย
ขั้นตอนที่ใช้สำหรับการเริ่มต้นของพารามิเตอร์และรายละเอียด
ของขั้นตอนการเรียนรู้ โมเดลที่ซับซ้อนเกินไปอาจ
เรียนรู้ข้อมูลการอบรมได้อย่างสมบูรณ์ แต่จะไม่วางแผนให้ดี เป็นที่เชื่อกันโดยทั่วไปว่ารุ่น

ง่ายมีความสามารถในการดีที่สุด แต่ผิดกฎหมายที่เหมาะสมของค่าใช้จ่ายในการทำงาน
อาจให้ความเห็นใน overparametrized รุ่น
[ 1 ] ค้นหาต่ำสุดของโลกที่ซับซ้อน การทำงานกับพารามิเตอร์หลายข้อผิดพลาด
ไม่เชิงเป็นปัญหาอย่างหนักปัญหา [ 2 ] การก่อสร้าง
สถาปัตยกรรมที่เหมาะสมและการเริ่มต้นที่เหมาะสมของพารามิเตอร์การค้นหาใกล้กับ
ควรเปิดใช้งานโซลูชั่นที่เหมาะสมสำหรับปัญหาจริง
, อย่างมีนัยสำคัญลดเวลาในการเรียนรู้