The strength of deep models is that

The strength of deep models is that they are not only powerful but learnable. The capacity to represent a function is not enough if all the details of it cannot be described and engineered. The visual world is too vast and varied to fully describe by hand, so it has to be learned from data. We train a deep net by feeding it input and letting it compute layer-by-layer to generate output for comparison with the correct answer. After computing the error at the output, this error flows backward through the net by back-propagation. At each step backward the model parameters are tuned in a direction that tries to reduce the error. This process sweeps over the data improving the model as it goes.

ผลลัพธ์ (ไทย) 1:

แรงลึกรุ่นที่มีไม่เพียงแต่ทรงพลัง แต่ learnable ความสามารถที่จะแสดงฟังก์ชันไม่เพียงพอถ้าไม่สามารถอธิบาย และออกแบบรายละเอียดทั้งหมดของมัน โลกภาพจะใหญ่เกินไป และหลากหลายได้อธิบายด้วยมือ เพื่อให้มีการเรียนรู้ได้จากข้อมูล เราสามารถฝึกลึกสุทธิ โดยให้ป้อนอาหารมัน และปล่อยให้มันคำนวณชั้นโดยชั้นในการสร้างผลผลิตเปรียบเทียบกับคำตอบที่ถูกต้อง หลังจากประมวลผลข้อผิดพลาดผลลัพธ์ ที่ข้อผิดพลาดนี้ย้อนกลับไหลผ่านสุทธิ โดยหลังการเผยแพร่ ในแต่ละขั้นตอนย้อนหลัง พารามิเตอร์แบบปรับในทิศทางที่พยายามลดความผิดพลาด กระบวนการนี้กวาดข้อมูลการปรับปรุงแบบ ตามมันไป

ผลลัพธ์ (ไทย) 2:

ความแข็งแรงของแบบจำลองลึกคือการที่พวกเขาไม่เพียงมีประสิทธิภาพ แต่ learnable ความสามารถในการเป็นตัวแทนของฟังก์ชั่นไม่ได้เป็นพอถ้าทุกรายละเอียดของมันไม่สามารถอธิบายและออกแบบ โลกที่เป็นภาพใหญ่เกินไปและแตกต่างกันที่จะอธิบายได้อย่างเต็มที่ด้วยมือจึงจะต้องมีการเรียนรู้จากข้อมูล เราฝึกอบรมสุทธิลึกโดยการให้อาหารมันเข้าและปล่อยให้มันคำนวณชั้นโดยชั้นที่จะสร้างผลลัพธ์สำหรับการเปรียบเทียบกับคำตอบที่ถูกต้อง หลังจากการคำนวณผิดพลาดในการส่งออกข้อผิดพลาดนี้ไหลย้อนกลับผ่านเน็ตโดยกลับมาขยายพันธุ์ ในแต่ละขั้นตอนย้อนหลังพารามิเตอร์แบบจะปรับไปในทิศทางที่พยายามที่จะลดข้อผิดพลาด กระบวนการนี้กวาดกว่าข้อมูลการปรับปรุงรูปแบบเป็นมันไป

ผลลัพธ์ (ไทย) 3:

ความแข็งแรงของรุ่นลึกๆ คือ ว่า พวกเขาจะไม่เพียง แต่ที่มีประสิทธิภาพ learnable . ความสามารถในการเป็นตัวแทนของฟังก์ชันไม่เพียงพอถ้ารายละเอียดทั้งหมดมันไม่สามารถอธิบายได้ และวิศวกรรม . โลกที่มองเห็นก็มากมายและแตกต่างกันอย่างเต็มที่อธิบายด้วยมือ ฉะนั้น ต้องเรียนรู้จากข้อมูล เราฝึกสุทธิลึก โดยให้อาหารเข้า และให้มันคำนวณทีละชั้นเพื่อสร้างผลผลิตเพื่อเปรียบเทียบกับคำตอบที่ถูกต้อง หลังจากคอมพิวเตอร์ข้อผิดพลาดที่แสดงข้อผิดพลาดนี้ไหลย้อนกลับผ่านเน็ตโดย back-propagation . ในแต่ละขั้นตอนย้อนกลับแบบปรับค่าพารามิเตอร์ในทิศทางที่พยายามลดข้อผิดพลาด กระบวนการนี้กวาดผ่านข้อมูลการปรับปรุงรูปแบบ ตามมันไป