Чим глибока нейронна мережа відрізняється від інших нейронних мереж?


Відповіді:


28

Різниця здебільшого в кількості шарів.

Довгий час вважалося, що «1-2 прихованих шару вистачає для більшості завдань», і використовувати це більше непрактично, тому що тренування нейронних мереж може бути дуже обчислювальною.

У наш час комп'ютери здатні набагато більше, тому люди почали користуватися мережами з більшою кількістю шарів і виявили, що вони дуже добре працюють для виконання деяких завдань.

Слово "глибокий" існує просто для того, щоб відрізнити ці мережі від традиційних, "більш дрібних".


Якщо я правильно зрозумів "глибоке навчання", є деякі параметри (ваги), які пов'язані між собою, тим самим зменшуючи простір параметрів. Звичайні НН не можуть цього зробити.
Рафаель

@Raphael, re:, some parameters (weights) that are tied together, thus reducing the parameter spaceти маєш на увазі конволюційні нейронні мережі?
publicgk

@publicgk Це те, що я побачив, так.
Рафаель

Я завжди чув "глибоке навчання", коли ти використовуєш дуже великі набори даних. Це помилка, і розмір даних не має значення - чи люди пов’язують глибоке навчання з величезними наборами даних, тому що саме це потрібно для навчання.
Стівен Сагона

Я хотів би зазначити, що ця "переконання", що нейронна мережа із лише 1 прихованим шаром може обчислити будь-яку функцію, насправді доведена (див., Наприклад, neuralnetworksanddeeplearning.com/chap4.html ). Я думаю, ви б мали пояснити трохи більше, чому тоді більше 1 прихованого шару є "зручним".
nbro

9

Глибока нейронна мережа - це лише нейронна мережа (подача вперед) з багатьма шарами.

Однак мережі глибоких переконань, мережі Deep Boltzman тощо не вважаються (дискусійними) глибокими нейронними мережами, оскільки їхня топологія різна (вони у своїй топології передують непрямим мережам).

Дивіться також це: /stats//a/59854/84191 .

Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.