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

بر اساس مقاله لایه جدیدی تحت عنوان MLPCONV برای مدل کردن عملیات غیر خطی در شبکه کانولوشن جهت افزایش سطوح انتزاع معرفی گردیده که ایده اصلی آن پیاده سازی شبکه MLP برای مدل کردن این حالت بود اما چون این امر موجب افزایش سربار می گشت از ایده کرنل 1 در1 به جای آن استفاده کردند به علاوه یکی از دلایل انتخاب MLP را universal function approximate بودن این شبکه دانسته اند.
سوالی که در اینجا مطرح است این است اینکه کرنل 1در1 چه کاری انجام می دهد که موجب تقریب یک fully connected می شود و بهترین گزینه برای پیاده سازی MLP است؟
و universal function app چیست؟
از بزرگواران و صاحب نظران در این حوزه خواهشمندم در صورت در اختیار داشتن منبع لطفا ان را ذکر کنند و با نظرات خوب خود اینجانب را راهنمایی بفرمایند.
متشکرم

توسط (144 امتیاز)
ویرایش شده توسط

1 پاسخ

+2 امتیاز
 
بهترین پاسخ

سلام
در خود مقاله هم وارد شده که در درجه اول یک روشی رو پیاده کنند که با معماری کانولوشنال هماهنگ باشه برای همین از بین انتخابهای مختلف mlp انتخاب شد. خود mlp هم چیزی جز چند لایه فولی کانکتد پیشت سر هم نیست. از طرفی برای اینکه سربار پردازشی کاهش پیدا کنه از کانولوشن ۱در۱ برای اینکار استفاده کردند
universal function approximator هم اشاره به این داره یک شبکه عصبی تک لایه با تعداد نورون متناهی میتونه هر تابعی رو تقریب بزنه .
برای منبع هم هر کتاب آموزش شبکه عصبی مثل کتاب مارتین هاگان یا سایمون هاینک و .... رو چک کنید این مطلب درش بحث شده. میتونید اینجا و اینجا رو هم ببیند.

توسط (4.3k امتیاز)
انتخاب شده توسط
...