«deep-learning» etiketlenmiş sorular

Bırakmayı açıklayacak yarım sayfanız varsa , nasıl ilerlersiniz? Bu tekniğin arkasındaki mantık hangisidir?

17 neural-networks  deep-learning  regularization  dropout 

Bir evrişim katmanındaki filtre sayısı ne kadardır? Bu sayı mimarinin performansını veya kalitesini nasıl etkiler? Yani her zaman daha fazla sayıda filtreyi tercih etmeliyiz? onlardan ne iyi? ve İnsanlar farklı katmanlar için farklı sayıda filtreyi nasıl atar? Yani şu soruya bakıyorum: CNN'deki evrişimsel operatörlerin sayısı nasıl belirlenir? Cevap, farklı sayıda …

17 deep-learning  conv-neural-network 

Değişken boyutlu görüntüler, nesne tespiti için evrişimli bir sinir ağına girdi olarak verebilir miyiz? Mümkünse bunu nasıl yapabiliriz? Ancak görüntüyü kırpmaya çalışırsak, görüntünün bir kısmını kaybederiz ve yeniden boyutlandırmaya çalışırsak, görüntünün netliği kaybolur. Ana netlik konusu, ana nokta, görüntü netliği dikkate alındığında en iyisi olduğu anlamına mı geliyor?

17 deep-learning  tensorflow  keras  computer-vision  object-detection 

Arkaplan: Geçmiş ~ 4 yıldaki ( alexnet sonrası ) modern araştırmaların çoğu, en son sınıflandırma sonuçlarına ulaşmak için sinir ağları için üretken ön eğitim kullanmaktan uzaklaşmıştır. Örneğin, burada mnist için en iyi sonuçlar , her ikisi de RBM olan üretken modeller kullanıyor gibi, ilk 50'nin sadece 2 makalesini içeriyor. Kazanan …

16 references  deep-learning  rbm  generative-models 

Evrişimli sinir ağını öğrenirken, aşağıdaki şekle ilişkin sorularım var. 1) Katman 1'deki C1'in 6 özellik haritası var, bu altı evrişimsel çekirdek olduğu anlamına mı geliyor? Her evrişimsel çekirdek, girdiye dayalı bir özellik haritası oluşturmak için kullanılır. 2) Katman 2'deki S1'in 6 özellik haritası, C2'nin 16 özellik haritası vardır. S1'deki 6 …

16 machine-learning  neural-networks  deep-learning  pattern-recognition  conv-neural-network 

Bilgisayar görmedeki uygulamaları nedeniyle evrişimli sinir ağları (CNN) üzerinde çalışıyorum. Standart feed-foward sinir ağlarına zaten aşinayım, bu yüzden burada bazı insanların CNN'leri anlama konusunda ekstra adım atmama yardımcı olabileceğini umuyorum. CNN'ler hakkında şöyle düşünüyorum: Geleneksel ileri beslemeli NN'lerde, her bir öğenin "giriş katmanı" ndaki NN'ye girdiğimiz bir özellik vektöründen oluştuğu …

16 neural-networks  deep-learning  conv-neural-network  convolution 

İ) SGD ve ii) Adam Optimizer kullanarak bir sinir ağı eğitimi alıyorum. Normal SGD kullanırken, aşağıda görüldüğü gibi (kırmızı olan) iterasyon eğrisine karşı pürüzsüz bir eğitim kaybı yaşarım . Ancak, Adam Optimizer'ı kullandığımda, eğitim kaybı eğrisinde bazı artışlar var. Bu ani yükselişlerin açıklaması nedir? Model Detayları: 14 giriş düğümü -> …

16 neural-networks  deep-learning  adam 

Ben zamanlamaları verileri modelleme için tekrarlayan bir sinir ağının (RNN) bir LSTM ( uzun kısa süreli bellek ) sürümünü kullanarak bakıyorum . Verilerin sıra uzunluğu arttıkça, ağın karmaşıklığı da artar. Bu nedenle, hangi dizilerin uzunluğunun iyi bir doğrulukla modellenmesi mümkün olacağını merak ediyorum? LSTM'nin nispeten basit bir versiyonunu, en son …

15 neural-networks  deep-learning  lstm 

Biz eski defterleri gibi Sinir Ağları edebiyat, biz nöromorfik topolojileri ( "Sinir-Ağı" gibi bir mimariler) ile diğer yöntemleri tanımlamak için olsun. Ve Evrensel Yaklaşım Teoreminden bahsetmiyorum . Örnekler aşağıda verilmiştir. O zaman beni meraklandırıyor: Yapay bir Sinir Ağının tanımı nedir? Topolojisi her şeyi kapsar. Örnekler: Yaptığımız ilk kimliklerden biri, PCA …

15 machine-learning  neural-networks  deep-learning  unsupervised-learning  supervised-learning 

Google'dan buna tatmin edici bir cevap bulamadım . Tabii ki elimdeki veriler milyonlarca mertebede ise, derin öğrenme yoludur. Ve büyük veriye sahip olmadığımda belki de makine öğreniminde diğer yöntemleri kullanmanın daha iyi olduğunu okudum. Verilen neden aşırı uydurmadır. Makine öğrenimi: örn. Verilere bakmak, özellik çıkarma, toplanandan yeni özellikler hazırlamak vb. …

15 regression  machine-learning  classification  neural-networks  deep-learning 

Yapay Sinir Ağlarının nasıl kullanılacağını öğrenmeye çalışıyorum. Bu dersi okuyordum . Sinir Ağı bir Zaman Serisine değeri tahmin etmek için değerini kullanarak taktıktan sonra , yazar aşağıdaki çizgiyi elde eder, burada mavi çizgi zaman serisidir, yeşil tren verisindeki tahmindir, kırmızı test verileri hakkında tahmin (bir test treni bölünmesi kullandı)tttt+1t+1t+1 ve …

15 time-series  neural-networks  predictive-models  deep-learning  prediction 

Hangi noktada çok katmanlı sinir ağlarını derin sinir ağları olarak sınıflandırmaya veya başka bir şekilde 'Derin sinir ağındaki minimum katman sayısı nedir?'

15 machine-learning  neural-networks  deep-learning  terminology 

Konvansiyonel sinir ağları hakkında çok şey okudum ve yok olan gradyan probleminden nasıl kaçındıklarını merak ediyordum. Derin inanç ağlarının tek seviyeli otomatik kodlayıcıları veya diğer önceden eğitilmiş sığ ağları biriktirdiğini biliyorum ve bu nedenle bu sorunu önleyebilirim ama CNN'lerde nasıl önlendiğini bilmiyorum. Wikipedia'ya göre : "yukarıda belirtilen" kaybolan gradyan sorununa …

15 machine-learning  optimization  deep-learning  gradient-descent 

Yaklaşık 1.000.000 parametreye sahip olan evrişimli bir sinir ağım (CNN) varsa, kaç tane eğitim verisine ihtiyaç duyulur (stokastik degrade iniş yaptığımı varsayalım)? Temel kural var mı? Ek notlar: Stokastik gradyan inişi gerçekleştirdiğimde (örneğin, 1 yineleme için 64 yama), ~ 10000 yinelemeden sonra, sınıflandırıcının doğruluğu kaba bir sabit değere ulaşabilir). Bu, …

15 machine-learning  neural-networks  deep-learning  conv-neural-network 

http://www.deeplearningbook.org/contents/ml.html Sayfa 116, bayes hatasını aşağıdaki gibi açıklar İdeal model, verileri üreten gerçek olasılık dağılımını bilen bir kahin. Böyle bir model bile birçok problemde hala hataya neden olacaktır, çünkü dağıtımda hala gürültü olabilir. Denetimli öğrenme durumunda, x'den y'ye eşleme doğal olarak stokastik olabilir veya y, x'e dahil olanların yanı sıra …

15 machine-learning  deep-learning  terminology