深度學習

人工神經網絡(ANN)是一個高效的計算系統,其核心主題是從生物神經網絡的類比中借鑑的。 神經網絡是機器學習的一種模型。 在二十世紀八十年代中期和九十年代初期,神經網絡中有很多重要的架構改進。 在本章中,您將學習更多關於深度學習的知識,這是AI的一種方法。

深度學習是作爲該領域的一個重要競爭者,從十年來爆炸性的計算增長中浮現出來的。 因此,深度學習是一種特殊的機器學習,其算法受人腦結構和功能的啓發。

機器學習 VS 深度學習

深度學習是目前最強大的機器學習技術。 這是非常強大的,因爲他們學習如何解決問題的同時代表問題的最佳方式。下面給出了深度學習和機器學習的比較 -

數據依賴性
第一點不同是基於DL和ML在數據規模增加時的性能。當數據量很大時,深度學習算法表現非常好。

機器依賴性
深度學習算法需要高端機器才能完美運行。 另一方面,機器學習算法也可以用於低端機器。

特徵提取
深度學習算法可以提取高級功能,並嘗試從相同的方面學習。 另一方面,專家需要識別機器學習提取的大部分特徵。

執行時間
執行時間取決於算法中使用的衆多參數。 深度學習比機器學習算法具有更多參數。 因此,DL算法的執行時間,特別是訓練時間,遠遠超過ML算法。 但是DL算法的測試時間少於ML算法。

解決問題的方法
深度學習解決了端到端的問題,而機器學習使用傳統的解決問題的方法,即將問題分解成多個部分。

卷積神經網絡(CNN)

卷積神經網絡與普通神經網絡相同,因爲它們也由具有可學習的權重和偏差的神經元組成。 普通的神經網絡忽略了輸入數據的結構,所有的數據在送入網絡之前都被轉換爲一維數組。 該過程適合常規數據,但是如果數據包含圖像,則該過程可能很麻煩。

CNN很容易解決這個問題。 它在處理圖像時考慮了圖像的二維結構,這使得它們可以提取特定於圖像的屬性。 這樣,CNN的主要目標就是從輸入層中的原始圖像數據到輸出層中的正確類。 普通神經網絡和CNN之間唯一的區別在於處理輸入數據和圖層類型。

CNN的體系結構概述

在架構上,普通的神經網絡接收輸入並通過一系列隱藏層轉換它。 在神經元的幫助下,每層都連接到另一層。 普通神經網絡的主要缺點是它們不能很好地擴展到完整的圖像。

CNN的體系結構具有三維排列的神經元,稱爲寬度,高度和深度。 當前圖層中的每個神經元都連接到前一圖層的一小部分輸出。 它類似於在輸入圖像上疊加一個`

0 條評論,你可以發表評論,我們會進行改進
Comment author placeholder