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
ممکنه تفاوت لایه های متفاوتی که در کراس تعریف شده رو بفرمایید (مثل dense, activation, numpy, .....) و همچنین مدل های تعریف شده در این فریم ورک
ممنونم

توسط (113 امتیاز)

1 پاسخ

+1 امتیاز
 
بهترین پاسخ

سلام
این بحث خیلی مفصله و بهتره به خوده مستندات Keras مراجعه کنید، چون تعداد این لایه ها به نسبت زیاده
برای مثال فقط لایه های اصلی (مثل همین Dense و Activation) رو می تونید از این قسمت ببینید:

https://keras.io/layers/core

بقیه لایه ها هم توی پنل سمت چپ سایت هست

اسم گذاری لایه ها هم مشخصه، یعنی اگه ساختارهای معروف رو بدونید سریع لایه مد نظرتون رو اینجا پیدا می کنید، مثلا
Dense : لایه تماما متصله، مثل چیزی که توی MLP استفاده میشه

Activation : تابع های فعال سازی رو روی خروجی لایه قبل اعمال می کنه(مثلا ReLu) و برای تابع های پیشرفته تر میشه از advanced activation استفاده کرد

Conv2D: لایه کانولوشنی دو بعدی

SeparableConv2D: لایه های depthwise کانولوشن

LSTM و GRU : برای لایه های Recurrent

و .....

توسط (1.6k امتیاز)
انتخاب شده توسط
...