Deep Residual Network (Deep ResNet)

Forfatter: Roger Morrison
Oprettelsesdato: 27 September 2021
Opdateringsdato: 21 Juni 2024
Anonim
[Classic] Deep Residual Learning for Image Recognition (Paper Explained)
Video.: [Classic] Deep Residual Learning for Image Recognition (Paper Explained)

Indhold

Definition - Hvad betyder Deep Residual Network (Deep ResNet)?

Et dybt resterende netværk (deep ResNet) er en type specialiseret neuralt netværk, der hjælper med at håndtere mere sofistikerede dybe læringsopgaver og modeller. Det har fået en hel del opmærksomhed ved de nylige it-konventioner og overvejes for at hjælpe med uddannelse af dybe netværk.


En introduktion til Microsoft Azure og Microsoft Cloud | Gennem denne vejledning lærer du, hvad cloud computing handler om, og hvordan Microsoft Azure kan hjælpe dig med at migrere og drive din virksomhed fra skyen.

Techopedia forklarer Deep Residual Network (Deep ResNet)

I dybe læringsnetværk hjælper en resterende læringsramme med at bevare gode resultater gennem et netværk med mange lag. Et problem, som fagfolk ofte citerer, er, at med dybe netværk, der består af mange snesevis af lag, kan nøjagtigheden blive mættet, og en vis nedbrydning kan forekomme. Nogle taler om et andet problem kaldet "forsvindende gradient", hvor gradientudsvingene bliver for små til at være umiddelbart nyttige.

Det dybe resterende netværk håndterer nogle af disse problemer ved at bruge restblokke, der drager fordel af restmapping for at bevare input. Ved at bruge dybe rammer for resterende læring kan ingeniører eksperimentere med dybere netværk, der har specifikke træningsudfordringer.