Neyron tarmoq asoslari va uni chuqur o'rganish



Download 3,8 Mb.
bet96/112
Sana11.06.2022
Hajmi3,8 Mb.
#655828
TuriГлава
1   ...   92   93   94   95   96   97   98   99   ...   112
Bog'liq
2 bo\'lim (2)

Самые известные СНС

Ниже приведен перечень самых популярных архитектур СНС.




 LeNet24:
– одна из самых первых успешных архитектур СНС; – разработана Яном Лекуном;

– первоначально применялась для распознавания цифр в изображениях.




 AlexNet25:
– способствовала популяризации СНС в компьютерном зрении;

– разработана Алексом Крижевским, Ильей Суцкевером и Джеффри Хин-тоном;


– победила в соревновании ILSVRC 2012.




 ZF Net26:
– победила в соревновании ILSVRC 2013;

– разработана Мэттью Зейлером и Робом Фергусом;


– была предложена антисверточная сеть для визуализации.




 GoogLeNet27:
– победила в соревновании ILSVRC 2014;

– разработана Кристианом Сегеди и его группой в компании Google; – кодовое название «Inception», в одном из вариантов имеются 22 слоя.


 VGGNet28:
– заняла второе место в соревновании ILSVRC 2014;

– разработана Кареном Симоняном и Эндрю Циссерманом;


– продемонстрировала, что глубина сети имеет важнейшее значение для качества ее работы.


 ResNet29:
– очень глубокая сеть (до 1200 слоев);

– победила в соревновании ILSVRC 2015 по классификации изображений.




Итоги

СНС появились из-за необходимости специализированного метода выделения признаков из изображений. Мы видели, что ее слои хорошо находят признаки,



  1. LeCun et al., 1998. Gradient-based learning applied to document recognition // http://yann. lecun.com/exdb/publis/pdf/lecun-01a.pdf.

  2. Krizhevsky, Sutskever and Hinton, 2012. ImageNet Classification with Deep Convolutional Neural Networks // https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convo­ lutional­-neural-networks.pdf.




  1. Zeiler and Fergus, 2013. Visualizing and Understanding Convolutional Networks // https:// arxiv.org/pdf/1311.2901v3.pdf.

  2. Szegedy et al., 2015. Going Deeper with Convolutions // https://www.cv-foundation.org/open­ access/content_cvpr_2015/papers/Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf.

  3. Simonyan and Zisserman, 2015. Very Deep Convolutional Networks for Large-Scale Image Recognition // https://arxiv.org/pdf/1409.1556v6.pdf.

  4. He et al., 2015. Deep Residual Learning for Image Recognition // https://arxiv.org/abs/1512.03385.

Рекуррентные нейронные сети  131

  1. каких бы столбцах они ни находились. Мы видели, как сверточные слои, пулин-говые слои и обычные полносвязные слои совместно выполняют классификацию изображений. Теперь перейдем к архитектуре, предназначенной для моделиро-вания временных рядов: рекуррентным нейронным сетям.




Download 3,8 Mb.

Do'stlaringiz bilan baham:
1   ...   92   93   94   95   96   97   98   99   ...   112




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish