sinir ağı ve derin öğrenme arasındaki fark

10

Sinir ağı ve derin öğrenme arasındaki fark açısından, daha fazla katman dahil, büyük veri seti, eğitim karmaşık modeli mümkün kılmak için güçlü bilgisayar donanımı gibi çeşitli öğeleri listeleyebiliriz.

Bunların yanı sıra NN ve DL arasındaki farkla ilgili daha ayrıntılı bir açıklama var mı?

— user3269
kaynak

3

Bildiğim kadarıyla, bir ağı "derin" yapmak için sadece birkaç gizli katmana sahip olmak yeterlidir; daha fazla veri ve daha büyük bilgisayarlar, her ikisinin de makine öğrenimi görevleri için artan kullanılabilirliğinin bir belirtisidir.

— Sycorax, Reinstate Monica'yı

Belki de bu soru yeni yapay zeka yığını değişimine taşınmalıdır ?

— WilliamKF

2

@WilliamKF Burada konuya değinilmiş bir konu.

— Sycorax, Reinstate Monica'nın

7

Derin öğrenme = derin yapay sinir ağları + diğer derin modeller .

Derin yapay sinir ağları = 1'den fazla katmana sahip yapay sinir ağları. ( derin sinir ağındaki minimum katman sayısına bakınız )

— Franck Dernoncourt
kaynak

4

Frank Dernoncourt'un daha iyi bir genel amaçlı cevabı var, ancak insanlar "Derin Öğrenme" geniş terimini kullandıklarında genellikle eski / geleneksel olarak bulamayacağınız evrişim gibi son tekniklerin kullanımını ima ettiklerini belirtmek gerekir. (tam bağlantılı) sinir ağları. Görüntü tanıma sorunları için, kıvrım daha derin sinir ağlarını etkinleştirebilir, çünkü kıvrık nöronlar / filtreler ağırlık paylaşarak aşırı takılma riskini azaltır.

— Ryan Zotti
kaynak

1

Tabakaların bir sürü Sinirsel ağlar vardır derin mimariler.

Bununla birlikte, sinir ağlarında kullanılan geri yayılım öğrenme algoritması, ağ çok derin olduğunda iyi çalışmaz. Derin mimarilerdeki öğrenme mimarileri ("derin öğrenme") bunu ele almak zorundadır. Örneğin, Boltzmann makineleri bunun yerine zıt bir öğrenme algoritması kullanır.

Derin bir mimari ile gelmek kolaydır. Derin bir mimari için iyi çalışan bir öğrenme algoritması oluşturmak zor oldu.

— Neil G
kaynak

Ancak, geri yayılım algoritması, toplu normalleştirme gibi yeni geliştirilen bazı sayısal optimizasyon tekniklerinden faydalansa da, dönüşüm ağı ve tekrarlayan ağı eğitmek için hala kullanılıyor gibi görünüyor.

— user3269

@ user3269 toplu normalleştirme ve bırakma, derin mimarilerde iyi çalışmalarını sağlamak için öğrenme algoritmasında yapılan değişikliklere örnektir.

— Neil G

0

Derin öğrenme, çoklu katmanlara sahip bir sinir ağı gerektirir - her katman matematiksel dönüşümler yapar ve bir sonraki katmana beslenir. Son katmanın çıktısı, belirli bir girdi için ağın kararıdır. Giriş ve çıkış katmanı arasındaki katmanlara gizli katmanlar denir.

Derin bir öğrenme sinir ağı, katmanlar halinde birbirine bağlanmış büyük bir algı algılayıcısıdır. Ağdaki her algılayıcının ağırlıkları ve sapmaları, tüm ağın çıktı kararının doğasını etkiler. Mükemmel ayarlanmış bir sinir ağında, tüm algının tüm ağırlık ve sapma değerleri, çıktı kararının tüm olası girdiler için her zaman doğru olacağı (beklendiği gibi) olacaktır. Ağırlıklar ve önyargı nasıl yapılandırılır? Bu, derin öğrenme adı verilen ağın eğitimi sırasında tekrarlanır. (Sharad Gandhi)

— Muhammed Shakir Misarwala
kaynak