Deep Learning

Kapitel 7. Tuning spezifischer Deep Network-Architekturen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Alles, was du im Moment wissen musst, ist, dass das Universum viel komplizierter ist, als du vielleicht denkst, selbst wenn du davon ausgehst, dass es von vornherein verdammt kompliziert ist.

Douglas Adams, Per Anhalter durch das Universum (Hitchhiker's Guide to the Universe)

In diesem Kapitel bauen wir auf den Konzepten auf, die wir in Kapitel 6 über das allgemeine Deep Network Tuning gelernt haben. Wir werfen einen tieferen Blick auf das Tuning spezifischer Architekturen wie die folgenden:

• Faltungsneuronale Netze (CNNs)
• Rekurrente neuronale Netze
• Tiefe Belief-Netze (DBNs)

Da Computer Vision eine der beliebtesten Anwendungen in der Welt des Deep Learning ist, wollen wir zunächst lernen, die CNN-Architektur zu optimieren.

Faltungsneuronale Netze (CNNs)

CNNs haben einige allgemeine Entwurfsmuster und dann spezielle Entwurfsmuster für die Faltungsarchitektur. In Kapitel 6 haben wir allgemeine Entwurfsmuster für Netzwerke besprochen. In diesem Abschnitt gehen wir auf Techniken ein, die für die CNN-Architektur relevant sind. Der größte Teil des Inhalts dieses Abschnitts konzentriert sich speziell auf die Entwurfsmuster für Faltungsschichten und Pooling-Schichten.

Die Faltungsstufe verwendet mehrere Filter, um verschiedene Merkmale aus dem Input der Schicht zu lernen, wie in Kapitel 4 beschrieben. ...