Интернаука - Интернаука №16 (часть1) 2020
Название: | Интернаука №16 (часть1) 2020 | |
Автор: | Интернаука | |
Жанр: | Старинная литература | |
Изадано в серии: | Интернаука #16 | |
Издательство: | неизвестно | |
Год издания: | 2020 | |
ISBN: | неизвестно | |
Отзывы: | Комментировать | |
Рейтинг: | ||
Поделись книгой с друзьями! Помощь сайту: донат на оплату сервера |
Краткое содержание книги "Интернаука №16 (часть1) 2020"
Аннотация к этой книге отсутствует.
Читаем онлайн "Интернаука №16 (часть1) 2020". [Страница - 3]
- 1
- 2
- 3
- 4
- 5
- . . .
- последняя (94) »
мацию, таким образом, неявно захватывая сложные структуры крупномасштабных данных. Глубокое обучение
- это богатое семейство методов, включающее нейронные сети, иерархические вероятностные модели и разно-
образные алгоритмы обучения неконтролируемых и контролируемых функций. Недавний всплеск интереса к
методам глубокого обучения объясняется тем фактом, что они показали, что они превосходят предыдущие со-
временные методы в нескольких задачах, а также обилием сложных данных из разных источников.
Идея о системе имитирующая человеческий
нованные на этих локальных связях между нейро-
мозг явилось толчком для развития нейронных се-
нами и на иерархически организованных преобразо-
тей. Используя взаимосвязанные нейронные клетки
ваниях изображения, найдены в Neocognitron, кото-
в 1943 году появилась модель нейрона Модель
рый описывает, что когда нейроны с одинаковыми
нейрона McCulloch и Pitts, называемая моделью
параметрами применяются к заплатам предыдущего
MCP, внёсшая вклад в развитие искусственного ин-
слоя в разных местах, форма трансляционной инва-
теллекта.
риантности приобретается. Позднее Ян ЛеКун и его
Прорыв в глубоком обучении произошел в 2006
сотрудники разработали Сверточные Нейронные
году, когда Г. Хинтон представил сеть Deep Belief
Сети, используя градиент ошибок и достигая очень
Network, упростил процедуру обучения с помощью
хороших результатов в различных задачах распо-
машин ограниченным движением Больцмана , в то
знавания образов.
время как сети разбили обучение на составляющие
CNN включает три основных типа нейронных
блоки глубокой сети, чтобы уменьшить вычисли-
слоев, а именно: (i) сверточные слои, (ii) объединя-
тельную нагрузку.
ющие слои и (iii) полностью связанные слои. Каж-
Важные вехи в истории нейронных сетей и ма-
дый тип слоя играет свою роль. Каждый слой CNN
шинного обучения, приведшие к эпохе глубокого
преобразует входной объем в выходной объем акти-
обучения. Среди которых появление больших высо-
вации нейрона, что в конечном итоге приводит к
кокачественных общедоступных помеченных набо-
окончательным полностью подключенным слоям,
ров данных, а также расширение возможностей па-
что приводит к отображению входных данных в
раллельных вычислений на GPU, которые позволи-
одномерный вектор признаков. CNN были чрезвы-
ли перейти с CPU на GPU, где обучение позволяет
чайно успешны в приложениях компьютерного зре-
значительно ускорить обучение глубоких моделей.
ния, таких как распознавание лиц, обнаружение
Дополнительные факторы, возможно, также сыгра-
объектов, мощное зрение в робототехнике и авто-
ли меньшую роль, такие как смягчение проблемы
мобили с автоматическим управлением.
исчезающего градиента из-за отрыва от насыщаю-
Архитектура CNN использует три конкретных
щих функций активации, предложение новых мето-
идеи: (а) локальные рецептивные поля, (б) привя-
дов регуляризации, а также появление мощных сред,
занные веса и (в) пространственная подвыборка. На
таких как TensorFlow [1], Theano и Mxnet, которые
основе локального восприимчивого поля каждый
позволяют быстрее создавать прототипы.
блок в сверточном уровне получает входные данные
Глубокое обучение позволило сделать большие
от набора соседних блоков, принадлежащих преды-
успехи в различных областях компьютерного зре-
дущему уровню. Таким образом, нейроны способны
ния, таких как обнаружение объектов, отслеживание
извлекать элементарные визуальные особенности,
движения, распознавание действий, оценка позы
такие
--">- 1
- 2
- 3
- 4
- 5
- . . .
- последняя (94) »
Книги схожие с «Интернаука №16 (часть1) 2020» по жанру, серии, автору или названию:
Интернаука - Интернаука №16 (часть3) 2020 Жанр: Старинная литература Год издания: 2020 Серия: Интернаука |
Русская жизнь-цитаты - Русская жизнь-цитаты-01-12-июнь-2020 Жанр: Старинная литература Год издания: 2020 |
Интернаука - Интернаука №16 ((часть2) 2020 Жанр: Старинная литература Год издания: 2020 Серия: Интернаука |