Deprecated: Function get_magic_quotes_gpc() is deprecated in /home/ustmbir/domains/deeplearning.ir/public_html/qa/qa-include/qa-base.php on line 1177
نحوه فعالیت شبکه عصبی کانولوشن - پرسش و پاسخ یادگیری عمیق
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
میخاستم بدونم از بین لایه های شبکه عصبی کانولوشن کدام لایه ها ویژگی استخراج میکنند کدام کار طبقه بندی را انجام میدهند؟
و همچنین اگر شبکه را با گرادیان نزولی با گشتاور (momentum) آموزش دهیم چه مزیتی نسبت به آموزش با گرادیان نزولی بدون گشتاور دارد؟
و تابع خطا در گرادیان نزولی با گشتاور چی هست؟ در فیلم های موجود در فرادرس اشاره میکند تابع خطا softmax هست میخاستم بدونم softmax تابع خطا هست یا کار طبقه بندی را انجام می دهد؟

توسط (100 امتیاز)

2 پاسخ

0 امتیاز

سلام
کدام لایه ها ویژگی استخراج ...
همه لایه های کانولووشن به نحوی ویژگی استخراج میکنند منتهی زیاد مشخص نیست چ ویژگی مثلا کدوم لایه لبه یابی میکنه و ...

کدام کار طبقه بندی...
لایه آخر ک به اسم fully connected شناخته میشه

به نظرم شما دوره ی https://deeplearning.ir/deep-learning-course-bdwg-sharif-1395/ رو ببینید ی دوره هم توی سایت اپارات از دانشگاه مالک اشتر هست اونم ببینید این سولاتتون برطرف میشه

توسط (141 امتیاز)
+2 امتیاز

سلام در شبکه های کانولوشنی میتونیم بگیم لایه های کانولوشنی ویژگیها را استخراج می کنند. و لایه های FC ویژگی های استخراج شده رو دسته بندی می کنند. در واقع هر لایه FC ویژگی ها را از یک فضای n بعدی به یک فضای غیر خطی m بعدی می برد تا بتواند در فضای جدید بدست آمده کلاس ها را بصورت خطی از هم جدا کند.
می توان بعد از آموزش دیدن شبکه بخش FC را با یک کلاسبند دیگر مثل SVM یا DT استفاده کرد.

اگر شبکه را با گرادیان نزولی با گشتاور (momentum) آموزش دهیم سرعت همگرایی بیشتر می شود. بیشتر مقالات از این روش شبکه را آموزش می دهند.

softmax مقادیر بوجود آمده در آخرین لایه را به فضای احتمالاتی می برد. نه تابع خطا هست و نه کار طبقه بندی را انجام می دهد.

توسط (830 امتیاز)
...