Ob'ektni chuqur o'rganish Tan olish, aniqlash va segmentlash

Toÿliq matn: http://dx.doi.org/10.1561/2000000071
sayoz tuzilmalarga ega modellarni o'rganish (masalan, SVM va Boosting) oladi
o'quv ma'lumotlari cheklangan o'rganish qobiliyati tufayli juda kattalashganda to'yingan.
Ular noto'g'ri muammoga duch kelishadi, ya'ni ularning
Trening bosqichida th o'quv namunalari to'plamidan baholanadi
f ortadi, bu esa ortiqcha moslama muammosini yanada yomonlashtiradi. Tartibda; ... uchun
yomon mahalliy minimumda qolib ketmaydi) va etarli hisoblash
parametrlar sonini kamaytirish orqali model imkoniyatlarini kamaytirish va
test ma'lumotlari bo'yicha o'rganilgan f ga asosan o'rganish qobiliyati ta'sir qiladi
ta'lim ma'lumotlarining ko'lami kichik edi va mashinani o'rganish bo'yicha tadqiqotlarga yo'naltirilgan
Boshqacha qilib aytganda, chuqur neyron tarmoqlari kattaroq o'rganishga ega bo'lishi mumkin
haddan tashqari moslash muammosini hal qilishda, ya'ni o'rganilgan f o'quv ma'lumotlari
bo'yicha yuqori bashorat aniqligiga ega, lekin u yomon ishlaydi.
qachon sinov ma'lumotlari bo'yicha f ning ishlashi yaxshilanganligi kuzatildi
boshqa mashinalarni o'rganish bilan solishtirganda katta afzalliklarni ko'rsatmaydi
o'lchovlilik" [27], chunki kattaroq o'quv ma'lumotlari kattaroq o'rganish qobiliyatini talab
qiladi. 1.1-rasmda ko'rsatilganidek, mashinaning ishlashi
Chuqur o'rganishning tarixiy ko'rinishi
salohiyati va ta'lim ma'lumotlar ko'lami. Ko'pchilikka ma'lum bo'lgan hodisa
ma'lumotlar, chuqur o'rganish katta farq qiladi. To'g'ri kelmaydigan muammoni hal qilish
uchun u o'rganish qobiliyatini samarali oshirishni talab qiladi
resurslar (ta'lim jarayoni belgilangan muddatda yakunlanishi uchun)
overfitting muammosini hal qilish uchun qanday qilib ko'plab tadqiqotlar olib borildi
keng miqyosli o'quv ma'lumotlari bo'yicha bashorat qilishning aniqligi qoniqarli emas.
{xi} izohli maqsadli chiqishlari bilan {yi}. Prognozning aniqligi
sig'imi, chunki ularning juda ko'p parametrlari va chuqurligi
ning f , shuningdek, o'quv ma'lumotlarining ko'lami. O'tgan o'n yilliklarda,
har xil turdagi muntazamlikni qo'shish.
So'nggi yillarda keng ko'lamli ta'lim ma'lumotlarining paydo bo'lishi bilan odamlar
test ma'lumotlari. Haddan tashqari moslashish o'rganish o'rtasidagi nomuvofiqlik tufayli yuzaga keladi
Kirish ma'lumotlarining o'lchovliligi oshdi, bu "baraka" deb nomlandi
arxitekturalar. Shuning uchun, ta'lim ma'lumotlari kichik bo'lsa, chuqur o'rganish
usullari va hatto haddan tashqari moslashish muammosi tufayli yomon ishlashi mumkin.
Katta miqyosli o'qitish bilan mashinani o'rganish sharoitida
modellar, yaxshiroq optimallashtirish texnikasi (shunday qilib, o'quv jarayoni
o'lchovlilikning la'nati. Kirish ma'lumotlarining o'lchovliligi x ortib borishi bilan, parametrlar
soni va o'rganish qobiliyati
4
Machine Translated by Google

belgilangan davr). Chuqur o'rganish bo'yicha tadqiqot yo'nalishi haddan tashqari
mos keladigan muammoni hal qilishdan so'nggi o'n yilliklarda yaxshi o'rganilmagan
ushbu jihatlarga o'tkazildi.
5
Chuqur modellar chuqur tuzilmalarga ega neyron tarmoqlardir. Neyron tarmoqlar
tarixi 1940-yillarga borib taqaladi [115]. U inson miya tizimini taqlid qilishdan
ilhomlangan va maqsad umumiy ta'lim muammolarini hal qilishning printsipial
usulini topish edi. 1980 va 1990 yillarda mashhur bo'lgan. 1986 yilda Rumelxart,
Xinton va Uilyams Nature jurnalida teskari propagatsiyani chop etishdi [120] va
u hozirgacha neyron tarmoqlarni o'qitish uchun keng qo'llanilgan. Keyingi
bo'limlarda biz ko'p qatlamli neyron tarmoqlarning tuzilishi, kirishdan chiqishni
bashorat qilish uchun ishlatiladigan oldinga uzatish operatsiyasi va orqaga
tarqalish bilan tanishamiz. Biroq, 1.2.4-bo'limda tushuntiriladigan bir qancha
sabablarga ko'ra ko'pchilik tadqiqotchilar tomonidan neytral tarmoqlardan voz
kechishdi.
1.2. Neyron tarmoqlar

Download 1,33 Mb.