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

+1 امتیاز

با سلام و وقت بخیر خدمت دوستان عزیز
می خواستم بدون حروفی که بعد از کلمه inception در مقالات استفاده می شود به چه معناست ؟
مثلا Inception-v1 , حرف v1 , v3یعنی چه؟
متشکرم

توسط (219 امتیاز)

2 پاسخ

+1 امتیاز
 
بهترین پاسخ

سلام
حروفی که بعد از inception ارائه میشن نشون دهنده نسخه معماری هستند.
از سال 2014 که نسخه اولیه inception با نام GoogleNet (و همینطور inception v1 ) ارائه شد ما نسخه های بهبود یافته این معماری رو داشتیم که کلیت معماری و هدف یکسان اما با بهینه سازی هایی همراه بود.
در ورژن 1 ما معماری اینسپشن اولیه رو داریم که ماجول اینسپشن معرفی شد
در ورژن دوم الگوریتم بچ نرمالیزیشن مطرح و در معماری استفاده شد
در ورژن سوم Rethinking the inception از factorization در لایه های کانولوشن استافده کردند یعنی بجای استفاده از اندازه کرنلهای بزرگتر مثل 5x5و 7x7 از معادل اون با اندازه کرنل های کوچکتر مثل 3در3 و... بهره بردن
در ورژن چهارم معماری رو با معماری resnet ترکیب کردن (از skip connection ها استفاده کردن)
در ورژن پنجم هم فکر میکنم از depth wise convolution و.... استفاده کردن
بحث auxiliary classifiers از همون نسخه اول مطرح بود و اینطور نبود که ورژن سوم ارائه بشه .
در ورژن سوم بحثی که مطرح بود حول دلایل مطرحی اولیه در مورد این دسته بند ها در معماری بود و نقشی که ایفا میکنند.

توسط (4.3k امتیاز)
انتخاب شده توسط
0 امتیاز

سلام
ورژنهای مختلف مدل گوگلنت است
در ورژن 1 به مقاله Going deeper with convolutions اشاره دارد که مدلی ترکیبی از چند کانولوشن را در یک لایه استفاده کرده است
در ورژن 2 کانولوشن 77 را به سه کانولوشن 33 تبدیل کرده است
در ورژن 3 از BN-auxiliary استفاده کرده اند

توسط (438 امتیاز)
بسیار ممنون
1-فرموده اید که در ورژن دو , یک کانولوشن 7*7 را به سه تا کانولوشن 3*3 تبدیل کرده؟؟؟؟؟؟؟ لطفا مقاله مربوط به ان را نیز بفرمایید
2-  لطفا به اختصار  bn-auxiliary را توضیح دهید و مقاله آن را نیز معرفی نمایید
متشکرم
...