Different types of layers[edit]Conv

Different types of layers[edit]
Convolutional layer[edit]
Unlike a hand-coded convolution kernel (Sobel, Prewitt, Roberts), in a convolutional neural net, the parameters of each convolution kernel are trained by the backpropagation algorithm. There are many convolution kernels in each layer, and each kernel is replicated over the entire image with the same parameters. The function of the convolution operators is to extract different features of the input. The capacity of a neural net varies, depending on the number of layers. The first convolution layers will obtain the low-level features, like edges, lines and corners. The more layers the network has, the higher-level features it will get.

ผลลัพธ์ (ไทย) 1:

แตกต่างกันของชั้น [แก้ไข]ชั้น convolutional [แก้ไข]ซึ่งแตกต่างจากความมือเข้ารหัส convolution เคอร์เนล (Sobel, Prewitt โรเบิตส์), ประสาทสุทธิ convolutional เคอร์เนล convolution แต่ละพารามิเตอร์มีการฝึกอบรม โดยอัลกอริทึม backpropagation มีหลาย convolution เมล็ดในแต่ละชั้น และแต่ละเมล็ดถูกจำลองแบบทั่วทั้งภาพด้วยพารามิเตอร์เดียวกัน การทำงานของตัวดำเนินการ convolution จะแยกคุณลักษณะต่าง ๆ ของการป้อนข้อมูล กำลังการผลิตของสุทธิประสาทแตก จำนวนชั้น เลเยอร์แรก convolution จะได้รับคุณลักษณะที่ต่ำ ขอบ เส้น และมุม เลเยอร์เพิ่มเติมเครือข่ายได้ ลักษณะการทำงานสูงกว่าก็จะได้รับ

ผลลัพธ์ (ไทย) 2:

ชนิดที่แตกต่างของชั้น [แก้ไข]
ชั้น Convolutional [แก้ไข]
ซึ่งแตกต่างจากเมล็ดบิดมือรหัส (โชเบล, Prewitt โรเบิร์ต) ในสุทธิประสาท convolutional พารามิเตอร์ของแต่ละเคอร์เนลบิดได้รับการฝึกฝนโดยวิธี backpropagation มีเมล็ดบิดจำนวนมากในแต่ละชั้นมีและเคอร์เนลแต่ละถูกจำลองทับภาพทั้งหมดที่มีพารามิเตอร์เดียวกัน ฟังก์ชั่นของผู้ประกอบการบิดคือการดึงคุณสมบัติที่แตกต่างของการป้อนข้อมูล ความจุของระบบประสาทสุทธิแตกต่างกันไปขึ้นอยู่กับจำนวนของชั้น ชั้นบิดแรกจะได้รับคุณลักษณะระดับต่ำเช่นขอบเส้นและมุม ชั้นมากขึ้นเครือข่ายที่มีอยู่ในระดับที่สูงขึ้นมีก็จะได้รับ

ผลลัพธ์ (ไทย) 3:

ประเภทที่แตกต่างกันของชั้น

คอน [ แก้ไข ] ชั้น [ แก้ไข ]
เหมือนมือรหัสคอนโวลูชัน ( ลิงค์พรูต , โรเบิร์ต , เมล็ด ) , เป็นขดประสาทสุทธิ พารามิเตอร์ของเคอร์เนลแต่ละม้วนมีแบบฝึกโดยขั้นตอนวิธี มีเมล็ดหลายม้วนในแต่ละชั้นและแต่ละเมล็ดมีจำนวนกว่าภาพทั้งหมดที่มีค่าเดียวกันฟังก์ชั่นของขดผู้ประกอบการคือการดึงคุณลักษณะที่แตกต่างกันของข้อมูล ความจุของข่ายประสาทขึ้นอยู่กับจำนวนชั้น ชั้นขดแรกจะได้รับคุณสมบัติในระดับต่ำอย่างขอบเส้นและมุม ยิ่งชั้นเครือข่ายที่มี คุณลักษณะสูง
ก็จะได้รับ