به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

0 امتیاز

سلام و عرض ادب
من به تازگی با مبحث یادگیری عمیق و تنسورفلو آشنا شدم و نتها یک تست با دادهایmnist انجام دادم
حالا میخوام بدونم با استفاده از معماری GoogleNet میشه هم به استخراج ویژگی (recognition) و هم کلاسیفیکشن رو توامان انجام داد؟
ممنون

توسط (211 امتیاز)

1 پاسخ

+2 امتیاز
 
بهترین پاسخ

در شبکه های عصبی عمیق لایه های کانولوشن وظیفه ی انتخاب ویژگی ها و استخراج آن ها را دارند. در روش های قدیمی classification ابتدا بردار ویژگی های تصویر استخراج می شد و در مرحله بعد یک دسته بند فرایند classification را کامل می کرد اما در شبکه های عصبی کانولوشن فرایند استخراج ویژگی به صورت خودکار انجام می شود و در حین یادگیری شبکه عصبی ویژگی های مناسب را از تصویر استخراج می کند. بنابرین در یادگیری عمیق هم استخراج ویژگی و هم دسته بندی به شکل توامان انجام می شود.
enter image description here
نکته ی دیگر در این موضوع هم این هست که شبکه های عصبی عمیق ویژگی های مورد نیاز را یاد می‌گیرند نه اینکه ویژگی های دست ساز (hand crafted) را از تصویر استخراج کنند که این کار با استفاده از کرنل/فیلتر ها در لایه های کانولوشن صورت می گیرد که دارای پارامتر های قابل یادگیری هستند. این ویژگی شبکه های عصبی عمیق باعث می شود این شبکه های خیلی انعطاف پذیر بوده و generalization بالایی داشته باشند.

توسط (397 امتیاز)
انتخاب شده توسط
...