Сочинение на тему Обзор глубокого структурированного обучения
- Опубликовано: 30.08.2020
- Предмет: образование
- Темы: Обучение
Глубокое обучение (также известное как глубокое структурированное обучение или иерархическое обучение) является частью более широкого семейства методов машинного обучения, основанных на представлении данных обучения, в отличие от алгоритмов, специфичных для конкретных задач. Обучение может быть контролируемым, полууправляемым или неконтролируемым. Глубокое обучение – это класс алгоритмов машинного обучения, которые: (pp199–200)
Используйте каскад из нескольких слоев нелинейных блоков обработки для извлечения и преобразования объектов. Каждый последующий слой использует выходные данные предыдущего слоя в качестве входных данных. Учитесь под присмотром (например, классификация) и / или без присмотра (например, анализ образца). Изучите несколько уровней представлений, которые соответствуют различным уровням абстракции; уровни образуют иерархию понятий. Используйте некоторую форму градиентного спуска для обучения через обратное распространение.
Слои, которые использовались в глубоком обучении, включают в себя скрытые слои искусственной нейронной сети и наборы пропозициональных формул. Они могут также включать скрытые переменные, организованные послойно в глубоких порождающих моделях, таких как узлы в сетях Deep Belief и Deep Boltzmann Machines. Есть две основные причины, по которым он стал полезен только недавно:
Глубокое обучение требует большого количества помеченных данных. Например, для разработки автомобиля без водителя требуются миллионы изображений и тысячи часов видео. Глубокое обучение требует значительных вычислительных мощностей. Высокопроизводительные графические процессоры имеют параллельную архитектуру, которая эффективна для глубокого обучения. В сочетании с кластерами или облачными вычислениями это позволяет группам разработчиков сократить время обучения для сети глубокого обучения с недель до часов или меньше.
Остальная часть статьи структурирована следующим образом: Раздел II: Предоставлен краткий исторический обзор глубокого обучения. Раздел III: Предложенная методология выделения признаков для классификации изображения. Раздел IV: краткое изложение и будущие направления.
История
Термин «глубокое обучение» был введен сообществом машинного обучения Риной Дехтер в 1986 году, а искусственным нейронным сетям – Игорем Айзенбергом и его коллегами в 2000 году в контексте булевых пороговых нейронов. Через нейронные сети для усиления обучения. В 2006 году в публикации Джеффа Хинтона, Осиндеро и Теха было показано, как многоуровневая нейронная сеть с прямой связью может быть эффективно предварительно обучена по одному слою за раз, обрабатывая каждый слой поочередно как неконтролируемую ограниченную машину Больцмана, а затем тонкую настройку. это с использованием контролируемого обратного распространения
Другие глубоко изученные рабочие архитектуры, особенно созданные для компьютерного зрения, начались с неокогнитрона, представленного Кунихико Фукусимой в 1980 году.
В 1989 году Yann LeCun et al. применил стандартный алгоритм обратного распространения, который использовался в качестве обратного режима автоматического дифференцирования с 1970 года, к глубокой нейронной сети с целью распознавания рукописных почтовых индексов на почте. Пока алгоритм работал, обучение заняло 3 дня.
Если взглянуть на школы в Ричмонде, штат Калифорния, и сравнить их со школами в Конкорде, штат Калифорния, можно увидеть огромную разницу. Мало того, что жилой
Преподавание существительных в важной области интересов в преподавании английского языка, которая всегда привлекала мое внимание и внимание моих учеников. Это обширная область, которая может связать
В графическом романе Элисон Бешдель «Веселый дом» она рассказывает о своей семье, но больше о своих отношениях с отцом. Она изображает своего отца эмоционально разъединенным