คำถามติดแท็ก deep-network

9
เป็นไปได้อย่างไรที่เครือข่ายประสาทเทียมนั้นถูกหลอกอย่างง่ายดาย?
หน้า / การศึกษาต่อไปนี้แสดงให้เห็นว่าเครือข่ายประสาทลึกนั้นถูกหลอกอย่างง่ายดายโดยการทำนายความมั่นใจสูงสำหรับภาพที่ไม่สามารถจดจำได้เช่น เป็นไปได้อย่างไร? คุณช่วยอธิบายความรู้สึกเป็นภาษาอังกฤษธรรมดา ๆ ได้ไหม?


4
จะหาจำนวนเซลล์ประสาทที่เหมาะสมที่สุดต่อชั้นได้อย่างไร
เมื่อคุณเขียนอัลกอริทึมของคุณคุณจะรู้จำนวนเซลล์ประสาทที่คุณต้องการต่อเลเยอร์เดียวได้อย่างไร มีวิธีใดบ้างในการค้นหาจำนวนที่เหมาะสมหรือเป็นกฎง่ายๆ?

2
โครงข่ายประสาทลึกนั้นแตกต่างจากโครงข่ายประสาทอื่นอย่างไร
เครือข่ายประสาทเทียมมีคำคุณศัพท์ที่ "ลึก" แตกต่างจากเครือข่ายอื่นที่คล้ายคลึงกันอย่างไร

4
ความสามารถในการจดจำรูปแบบของ CNN จำกัด เฉพาะการประมวลผลภาพหรือไม่?
Convolutional Neural Network สามารถใช้ในการจดจำรูปแบบในโดเมนปัญหาที่ไม่มีภาพที่มีอยู่แล้วโดยการแสดงข้อมูลนามธรรมแบบกราฟิกหรือไม่? นั่นจะมีประสิทธิภาพน้อยกว่าเสมอหรือไม่? นักพัฒนาซอฟต์แวร์รายนี้กล่าวว่าการพัฒนาในปัจจุบันสามารถดำเนินต่อไปได้ แต่จะไม่เกิดขึ้นหากมีการ จำกัด การจดจำภาพ

2
ควรดูเครือข่ายที่ตกค้างในระดับลึกเป็นเครือข่ายหรือไม่
คำถามเกี่ยวกับสถาปัตยกรรมของ Deep Residual Networks ( ResNets ) รูปแบบที่ชนะอันดับ 1 ในงาน"Large Scale Visual Recognition Challenge 2015" (ILSVRC2015)ในห้าเส้นทางหลัก: การจำแนกประเภทของ ImageNet:“ ล้ำลึก” (อ้างถึงยานน์) ตาข่าย 152 ชั้น การตรวจจับ ImageNet: ดีขึ้นกว่า 2% 16% การแปล ImageNet: 27% ดีกว่าที่ 2 การตรวจจับ COCO: ดีขึ้นกว่า 2% 11% การแบ่งส่วน COCO: ดีกว่าอันดับ 2 ถึง 12% ที่ มา: การ แข่งขัน MSRA @ ...

5
ทำไมเครือข่ายประสาทลึกและการเรียนรู้อย่างลึกล้ำจึงไม่เพียงพอที่จะบรรลุความฉลาดทางสติปัญญา
ทุกอย่างที่เกี่ยวข้องกับการเรียนรู้ลึก (DL) และเครือข่ายลึก (เอ้อ) ดูเหมือนว่า "ประสบความสำเร็จ" อย่างน้อยก็ดำเนินไปอย่างรวดเร็วและปลูกฝังความเชื่อที่ AGI เข้าถึงได้ นี่คือจินตนาการที่เป็นที่นิยม DL เป็นเครื่องมืออันยิ่งใหญ่ในการจัดการปัญหามากมายรวมถึงการสร้าง AGIs แม้ว่ามันจะไม่เพียงพอ เครื่องมือเป็นส่วนประกอบที่จำเป็น แต่มักจะไม่เพียงพอ บุคคลสำคัญในโดเมนกำลังค้นหาที่อื่นเพื่อสร้างความก้าวหน้า นี้รายงาน / เรียกร้องรวบรวมเชื่อมโยงไปยังงบโดยโยชัวเบนจิโอ , ยานน์เลคันและเจฟฟ์ฮินตัน รายงานยังอธิบาย: จุดอ่อนหลักของ DL (อย่างที่ฉันเห็น) คือ: พึ่งพาเซลล์ประสาทแบบจำลองที่ง่ายที่สุด (“ cartoonish” ตามที่ LeCun เรียกพวกเขา); การใช้ความคิดจากกลศาสตร์และสถิติเชิงสถิติในศตวรรษที่ 19 ซึ่งเป็นพื้นฐานของฟังก์ชันพลังงานและวิธีการบันทึกความเป็นไปได้ และการรวมเทคนิคเหล่านี้เข้าด้วยกันเช่น backprop และ stochastic gradient descent ทำให้แอพพลิเคชั่นมีข้อ จำกัด มาก (ออฟไลน์ส่วนใหญ่เป็นแบตช์การเรียนรู้แบบมีผู้สอน) ซึ่งต้องการผู้ฝึกสอนที่มีความสามารถสูง ข้อมูลการฝึกอบรมที่มีข้อความและพลังการคำนวณ ในขณะที่ยอดเยี่ยมสำหรับ บริษัท ...

1
ปัญหาประเภทใดต้องการเลเยอร์ที่ซ่อนอยู่มากกว่า 2 เลเยอร์
ฉันอ่านแล้วว่าปัญหาส่วนใหญ่สามารถแก้ไขได้ด้วยเลเยอร์ที่ซ่อนอยู่ 1-2 ชั้น คุณรู้ได้อย่างไรว่าคุณต้องการมากกว่า 2 สำหรับปัญหาแบบไหนที่คุณต้องการ (ยกตัวอย่าง)


1
มีปัญหาเท่าไหร่ที่เสียงสีขาวสำหรับการใช้งานจริงของ DNN?
ฉันอ่านว่าเครือข่ายประสาทลึกสามารถถูกหลอกได้ง่าย ( ลิงค์ ) เพื่อให้ความมั่นใจสูงในการรับรู้ภาพสังเคราะห์ / เทียมที่สมบูรณ์ (หรืออย่างน้อยส่วนใหญ่) จากเรื่องความมั่นใจ โดยส่วนตัวฉันไม่เห็นปัญหาใหญ่กับ DNN ที่ให้ความมั่นใจสูงกับภาพสังเคราะห์ / ประดิษฐ์เหล่านั้น แต่ฉันคิดว่าการให้ความมั่นใจสูงสำหรับสัญญาณรบกวนสีขาว ( ลิงก์ ) อาจเป็นปัญหาเนื่องจากนี่เป็นปรากฏการณ์ทางธรรมชาติอย่างแท้จริงที่กล้องอาจเห็น ในโลกแห่งความจริง มีปัญหาเท่าไหร่ที่เสียงสีขาวสำหรับการใช้งานจริงของ DNN? สามารถตรวจจับผลบวกผิดพลาดจากสัญญาณรบกวนธรรมดาได้หรือไม่?
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.