Deep Residual Network (Deep ResNet)

Författare: Roger Morrison
Skapelsedatum: 27 September 2021
Uppdatera Datum: 21 Juni 2024
Anonim
[Classic] Deep Residual Learning for Image Recognition (Paper Explained)
Video: [Classic] Deep Residual Learning for Image Recognition (Paper Explained)

Innehåll

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

Ett djupt restnätverk (deep ResNet) är en typ av specialiserat neuralt nätverk som hjälper till att hantera mer sofistikerade djupinlärningsuppgifter och modeller. Det har fått en hel del uppmärksamhet vid de senaste IT-konventionerna och övervägs för att hjälpa till med utbildning av djupa nätverk.


En introduktion till Microsoft Azure och Microsoft Cloud | I hela denna guide kommer du att lära dig vad cloud computing handlar om och hur Microsoft Azure kan hjälpa dig att migrera och driva ditt företag från molnet.

Techopedia förklarar Deep Residual Network (Deep ResNet)

I djupa inlärningsnätverk hjälper ett kvarvarande lärande ramverk att bevara goda resultat genom ett nätverk med många lager. Ett problem som vanligtvis citeras av professionella är att med djupa nätverk bestående av många dussintals lager kan noggrannheten bli mättad och en viss nedbrytning kan uppstå. Vissa talar om ett annat problem som kallas "försvinnande lutning" där gradientfluktuationerna blir för små för att omedelbart vara användbara.

Det djupa restnätverket hanterar några av dessa problem genom att använda restblock, som utnyttjar restkartläggning för att bevara ingångar. Genom att använda djupa ramar för kvarvarande lärande kan ingenjörer experimentera med djupare nätverk som har specifika utbildningsutmaningar.