[استعراض فاز جي الجديدة ذهبت إلى سنة "مزدوج 11" نيو جي وون انتهز الفرصة لأشكر القراء من الكتب لعقد جولة جديدة من الأنشطة أيضا. جامعة نانجينغ أستاذ تشو تشى هوا الطلبة المتفوقين الموصى بها، كوانغ وى، باعتباره الشخص المسؤول عن معهد نانجينغ للالجينسنغ تظهر أحدث طبعة من "دراسة متعمقة التحليلية: نظرية الإلتواء الشبكة العصبية والممارسة البصرية". وماذا في ذلك، رسالة الصغير الاندفاع وراء الكواليس لترك رسالة ~

وأضاف "السوق لديه الكثير من العمق الكتب والتعلم، ولكن أطلق خصيصا للشبكة العصبية الإلتواء، دون أن تفقد التركيز على التفسيرات العملية لا تزال نادرة. الكتاب يغطي الجوانب الأساسية للشبكة العصبية التفاف تشارك في هذه الممارسة، شرح الكتاب بعض النصائح والحيل ويمكن أيضا أن يكون مفهوما، والقارئ في الممارسة أو يرون فائدة ".

هذا هو طلابه، أستاذ تشو تشى هوا، معهد جامعة نانجينغ للLAMDA كتاب جديد من تأليف بو Shiwei تظهر مشاركة "تحليل التعلم العميق: البصرية التلافيف نظرية الشبكة العصبية والممارسة". وللغاية.

وركزت مشاركة وي شيوى على شبكة عصبونية التفافية والتطبيقات رؤيتها، ولقد درس تحت إشراف البروفيسور تشو تشى هوا البروفيسور وو جيان شين، نشرت بحثا علميا في المجلات الدولية الرئيسية ومؤتمرات دولية المجالات ذات الصلة، وفاز اثنان مسابقة دولية الكمبيوتر الرؤية ذات الصلة الوصيف الدكتور أي لا تخرج من معهد نانجينغ التعاقد مع كوانغ، كزعيم التكنولوجيا.

آلة التعلم الكتب المهنية والعملية الكثير، ولكن ترجم معظمها من الإنجليزية، والكتب الصينية في الحقيقة ليست من ذلك بكثير، وكتاب وي شيوى الجديد هو إشارة الذي يضيء. كما يضع المؤلف أنه، "هذا هو خفيفة الوزن للقراء الصينية، وعمق جزئي أداة التعلم العملي"، والقارئ تحليل المكونات الأساسية وآلية عمل الشبكة العصبية الإلتواء، الأهم من ذلك هو مقدمة منهجية عمق التفاصيل في تطبيق التكوين التفاف الشبكة العصبية والخبرة الهندسية العملية.

[النظام على] الآن وحتى الساعة 23:59 يوم 15 نوفمبر عام 2018، تعليقات، موضوع Xingshibuxian، هل تعلم عمق القصة والانتقادات والاقتراحات لجديد جي وون، والتبصر في صناعة AI، ما دام الناس أنفسهم. سيتم عرض التعليقات الواردة في الإصدار الجديد جي فاز مناقشة التحرير، والقارئ للمؤهل أعلى من 10 إلى غرفة الأخبار التصويت سيحصل كتابنا مجانية لأحد!

تشو تشى هوا الموصى بها تسلسل

التفاف الشبكة العصبية هي واحدة من مجال تكنولوجيا التعلم الآلي للمحتوى التعلم العميق الأكثر شهرة. الدكتور وي LAMDA مشاركة تظهر في المدرسة لعدة سنوات، مدير تماما من الشبكة العصبية الإلتواء والتطبيقات رؤيتها، الدكتور كوانغ أي لا تخرج من معهد نانجينغ للعلوم والتكنولوجيا التعاقد مع الشخص المسؤول، بمناسبة تجربة التخرج لنقل المواد Zhuancheng كتاب الرجاء يو تسلسل يشتغل. المعلمين يي والطلاب، وقبول ضيافتهم.

في مجال الكمبيوتر المحلي، وكتابة الكتاب هو الأشياء ناكر للجميل. بغض إرسال بريد مقاومة للقراءة، بحيث يكون لكل قارئ قراءة الكتاب حصلت جي مدى صعوبة، ناهيك عن صعوبة للوصول لجعل أشاد أنواع مختلفة من قراء الكتاب هي كيف ميؤوس منها، ومحاولة جادة فقط لكتابة كمية ضخمة كتاب الوقت المخصص، إذا لم منصب تذكر عندما تأثير المقالات الصحفية، والعمل الدخل بدوام جزئي من الطاقة نفسها أيضا، تم شاقة، ناهيك عن هفوات محفوف الشك، إن لم يكن قاسية جدا أن متشددا من العلماء و، فإنه من الصعب المضي قدما.

ومع ذلك، فإن الأشخاص الذين يرغبون في الدراسة في فن نقص متزايد من القراءة الجيدة للعلوم والتكنولوجيا الأصلي وكذلك التنمية الصناعية عقبة حقيقية. بعد كل شيء، ويستخدم ليس الجميع لقراءة الكتب الأجنبية، وليس بالضرورة أن يكون قادرا على فهم لغة أجنبية لجعل التغييرات الطفيفة من معاني التعبير على، ناهيك عن قراءة اللغة الأم للداخلين الجدد إلى مقبولة السريع. كان يو قبل أن يبدأ القبول في الأربعين نقص مكانة الدراسي، ولكن مستوى الأبحاث المحلية مع كل يوم يمر، والشباب تشو النمو الطبيعي، لتبادل ما تعلموه الطاقة مندفعا، والصدق تستحق التشجيع.

السوق لديه الكثير من التعلم عمق الكتب، ولكن أطلق خصيصا للشبكة العصبية الإلتواء، دون أن تفقد التركيز على التفسيرات العملية لا تزال نادرة. يغطي الكتاب الجوانب الأساسية للشبكة التفاف العصبي المشاركة في الممارسة العملية، وتجربة عدد من التقنيات يمكن أيضا شرح مفهوم، والقارئ في الممارسة أو نرى فوائد. كتاب نشر الأمل أنه يمكن أن يساعد القراء على فهم أفضل والسيطرة على الشبكة العصبية الإلتواء، لمواصلة تعزيز عمق تعميم تقنيات التعلم.

تشو تشى هوا أكتوبر 2018 في نانجينغ

صغيرة ولكنها ممتازة وعملية لخلق أداة تعليمية عمق جزئية للقراء الصينية

نبذة عن الكاتب

وي مشاركة المعرض

كوانغ العلوم والتكنولوجيا (الوجه ++) معهد نانجينغ للشخص المسؤول. معهد LAMDA الدكتور من جامعة نانجينغ، مجالات البحث الرئيسية من رؤية الكمبيوتر وتعلم الآلة. في المجالات ذات الصلة المؤتمرات الدولية الهامة والمجلات الدولية المنشورة الأوراق، وفازت مرتين الحاسوب الدولية للرؤية ذات الصلة مسابقة الوصيف. فاز CVPR 2017 أفضل المراجعين، رئيس جامعة نانجينغ المنح الدراسية للطلاب الدكتوراه وغيرها شرف خاص، كما ICCV، CVPR، ECCV، خطط التنفيذ الوطنية، IJCAI، AAAI والمؤتمرات الدولية الأخرى الأعضاء PC.

مقدمة

الذكاء الاصطناعي، صوت مألوف ولكن جعل الناس يشعرون دائما كلمة أكثر غريبة. أشخاص مطلعين على كاتب الخيال العلمي وصفها اسحق اسيموف "أنا، روبوت" و "الذكرى المئوية الثانية رجل،" كان غريبا لكنه في النهاية كيفية جعل الروبوتات الهذيان القائمة، تقليد الآخرين، والناس على دراية تورينج هو أب لعلوم الكمبيوتر ورؤية الذكاء الاصطناعي من "اختبار تورينج"، فمن الغريب كيف يمكن لهذا استخباراتي بارز لم يعد غير موجود في واقع الحياة، والناس على دراية هو بداية 2016 في ألفا الكلب ولي سي دول مواجهة خمسة أضعاف على الذهاب، فمن الغريب ولكن هذا هو الكلب ألفا بالضبط كيفية الحصول من خلال "إعادة وضع" ل...... لا يمكن إنكاره، والذكاء الاصطناعي هو الفضول البشري من أجل تلبية الخاص قوي حفرة دماغها مفتوحة على مصراعيها المنتج. الآن أذكر الذكاء الاصطناعي، ويجب أن يذكر الكلب ألفا، وقدمت الكلب ألفا يجب أن نذكر التعلم العميق. لذا، فإن عمق تعلم ماذا بالضبط؟

من الناحية العملية من هذا الكتاب يركز على نموذج تحليلي من الشبكة العصبية التعلم في العمق - الشبكة العصبية الإلتواء ، القارئ تحليل المكونات الأساسية وآلية عمل شبكة التفاف العصبية، والأهم، مقدمة منهجية لعمق التفاصيل في تطبيق التكوين التفاف الشبكة العصبية والخبرة الهندسية العملية.

آمل أن يكون هذا الكتاب "صغيرة ولكنها بخير" لتجنب، وبعض المواد ذات الصلة من الخارج كما ركلة الإطارات "كبيرة وفارغة".

يجب أن يكون المهارات السبب الرئيسي لكتابة هذا الكتاب من المؤلف كان في أكتوبر 2015 مفتوحة على الصفحة الرئيسية الشخصية ( من التعلم العميق من المواد تعلم اللغة الإنجليزية "الشبكات العصبية العميقة "(يجب أن يعرف نصائح / الحيل في الشبكات العصبية العميقة). البيانات ثم يتم طبع لسينا ويبو، من قبل الكثيرين في الأوساط الأكاديمية والصناعة الأصدقاء في الداخل، كان أكثر من 360،000 كمية من القراءة، وأعيد طبعها في وقت لاحق KDnuggets منتدى الشهير دوليا وخاصة العلوم البيانات المركزية. في غضون ذلك، حصلت في كثير من الأحيان المواد التعليمية في الداخل والخارج حضر هذا الصديق المدونات الصغيرة إلكتروني خاص أو بريد إلكتروني البريد الإلكتروني الشكر، وكثير منهم ذكر أنه يأمل في افتتاح النسخة الصينية لتسهيل الناس تعلم القراءة. من ناحية أخرى، كما لخص عمق التطور السريع للدراسة ميدانية تنظيم المواد التعليمية الآن يبدو أنه قد تخلفت، وكثير منها لا تغطي أحدث نتائج البحوث، في حين أن لديها البلاد بعد إضافة عمق التركيز الممارسة تعلم الكتب الصينية. ولذلك، توقفت عن العمل من ركلة جزاء، نريد أن نعرف ما يتعلمونه قليلا من الشعور الدخل وتتلخص التنوير في هذا الكتاب، ونحن نعلم أن حصة والوصول.

هذا هو أداة تعليمية عميقة للقراء الصينية خفيفة الوزن، وجزئية عملي ، محتويات الكتاب يركز على المعارف الأساسية والتطبيق العملي للعمق الشبكة العصبية الإلتواء. من أجل جعل عن العديد من قراء هذا الكتاب من فهم الشبكات العصبية الإلتواء والتعلم العميق، ويحاول المؤلف أن يستعمل مثل قليلا الصيغ الرياضية غامضة، وبقدر الإمكان التعبير الرسم البياني الصورة باستخدام محددة. هذا الكتاب هو من مصلحة وعمق التعلم مبتدئين التفاف الشبكة العصبية، وأي خلفية تعلم الآلة ولكن يريدون السيطرة بسرعة على المعرفة والصفوف الممارسين للمشاكل العملية. لراحة القارئ، هذا الكتاب يقدم الملحق بعض المعارف الأساسية لإدخال الرياضية ذات الصلة.

ما مجموعه 14 فصول الكتاب إلا "مقدمة" يمكن تقسيمها إلى جزأين الخارجية: جزء أول "نظرية الأساسية للمواد" يشمل الفصول من 1 إلى 4، ويصف أساسيات الشبكة العصبية التلافيف، والمكونات الأساسية، وضغط نموذج هيكل قانوني يستند المحتوى النظري، الجزء الثاني "التطبيق العملي" في الفصل يتكون 5-14، ويصف البيانات عمق من الشبكة العصبية التلافيف مستعدة للبدء، وتهيئة المعلمة النموذج، واختيار عناصر الشبكة المختلفة، وتهيئة شبكة، نموذج تدريب البيانات الخلل الشبكة علاج، وفي نهاية المطاف إلى التطبيق العملي للمهارات التكامل نموذج وتجربة. وبالإضافة إلى ذلك، فإن الكتاب أساسا في نهاية كل فصل هناك ملخص المقابلة، قد يرغب القارئ أن نذكر في Yanjuan بعد قراءة كل فصل، لمعرفة ما إذا فهم كامل التركيز في هذا الفصل. الشبكات العصبية الإلتواء والقراء التعلم عميقة المهتمين يمكن قراءة الكتاب، إلى "دمج النظرية والممارسة"، القراء الذين يرغبون في تطبيق بسرعة عمق التفاف الشبكات العصبية في حل المشاكل العملية، ولكن تتعلق أيضا مباشرة إلى الجزء الثاني من المرجع ، حتى أن "المستهدف".

أحصل على الكثير من الطلاب والأكاديميين، ودعم الصناعة ومساعدة الأصدقاء في عملية كتابة هذا الكتاب، وهذا من شأنه أن ترغب في إدراج أسمائهم أن الامتنان (بينيين ترتيب حسب الاسم الأخير): قاو Binbin، مثل ارتفاع، Luojian هاو، تشو يانغ وى، Xiechen وي يانغ شيه فقط، تشانغ Chenlin وهلم جرا. شكرا ساعد قاو Binbin وLuojian هاو صياغة كتاب القسم 3.2.4 والمحتويات ذات الصلة في الفصل 4. وبالإضافة إلى ذلك، اتخذت شكر خاص نانجينغ الاستاذ في جامعة تشو تشى هوا، أستاذ وو جيان شين وشين أستاذ جامعة تشون هوا أديلايد، أستراليا، والعديد من المعلمين عناء دراسة عملية البحث دقة التوجيه والتعليم والرعاية في البلاغ. في نفس الوقت، وذلك بفضل ليو جياو المدرس صناعة الإلكترونيات الصحافة هي جهود نشر الكتاب. وأخيرا، كانت ممتنة جدا لوالدي البلاغ لتربيتهم والتفاهم، التفكير والرعاية دائما. كتابة هذا الكتاب، المؤلف يعتبرون أنفسهم جاهل، سوى معرفة سطحية، حتى تأخذ فترة زمنية محدودة والطاقة، في كتاب الباطل أمر لا مفر منه، إذا لم يكن القارئ التخلي منغوليا، ولكن أيضا يأمل الجناح، وسيكون موضع تقدير كبير!

وي مشاركة المعرض

نظرة خاطفة التسلل: التركيز الفصل تحت المراقبة - دمج نموذج نهج

طرق التكامل نموذج

التعلم الفرقة (التعلم الفرقة) هو فئة من آلة التعلم خوارزمية التعلم والوسائل تدريب المزيد من المتعلم والجمع بينهما باستخدام أسلوب . هذه الخوارزميات عادة ما تحقق نتائج أفضل من المتوقع الفرد المتعلم في الممارسة العملية، بدلا من ذلك، "يد الله الخفيفة" وسيلة. ولا سيما المسابقات السابقة في الوزن الثقيل الأكاديمية الدولية، مثل ImageNet، بطل كأس KDD والعديد من الممارسات المنافسة Kaggle، أو بسيطة أو معقدة ولكن الخطوة الأخيرة يجب أن تعلم متكاملة. وعلى الرغم من عمق نموذج الشبكة لديها بالفعل القدرة على التنبؤ قوية، ولكن استخدام أساليب التعلم المتكاملة لا تزال تلعب دور "تتويج" ل. فمن الضروري لفهم وإتقان بعض جوانب النهج عمق نموذج متكامل. بشكل عام، تبدأ نماذج متكاملة متعددة عمق من كل من "الطائرة البيانات" و "مستوى النموذج".

نهج تكامل البيانات مستوى 13.1

التوسع البيانات 13.1.1 بيتا

الكتاب في الفصل 5، وقد ورد ذكر "توسيع البيانات" في عدد من سياسة البيانات توسيع مرحلة التدريب، في الواقع، هذه الاستراتيجيات التوسع قابلة للتطبيق على قدم المساواة في نموذج مرحلة الاختبار، مثل صورة متعددة النطاق (متعددة النطاقات)، حصيرة العشوائي (عشوائي المحاصيل) وهلم جرا. حصيرة عشوائية، على سبيل المثال، على صورة اختبار تشانغ تشانغ صورة حصيرة العشوائي المتاحة ن، مجرد مرحلة الاختبار باستخدام نموذج شبكة المدربين من عمق ن الصور تجعل التنبؤات على التوالي، بعد أن تنبأ المتوسط عن جميع أنواع الثقة فإن النتائج يمكن اختبار التنبؤ الصورة النهائية.

13.1.2 "سهولة التكامل" طريقة

"من السهل الاندماج" طريقة (من السهل الفرقة) هو الحل تعلم متكاملة للمشكلة عينة غير المتوازنة ليو وآخرون. على وجه التحديد، "سهولة التكامل" طريقة للطبقات اتخاذ مزيد من العينات الاختزال (Undersampling)، كل عدد من العينات وفقا لعدد لا يقل عن العينات على هذه الفئة، حتى أن عدد عينات من كل نوع يمكن أن تتخذ للحافظت بشكل موحد. بعد أخذ العينات، لكل بيانات التدريب نموذج فرعي تعيين الحصول عليها عن طريق أخذ العينات، وأخذ العينات مثل هذا التدريب ويتكرر عدة مرات. نتائج عدة نماذج للتنبؤ بيانات الاختبار النهائي تم الحصول عليها من المتوسط التدريب أو التصويت التي تم الحصول عليها (عن "المتعدد النماذج نهج متكامل"، راجع قسم 13.2.2). وفي الختام، وطريقة "سهولة التكامل" في دمج نموذج، في حين يخفف أيضا من مشكلة الشعور الخلل البيانات تسبب في.

نهج التكامل مستوى نموذجي 13.2

13.2.1 واحدة تكامل نموذج

متعدد الطبقات الانصهار ميزة

حيث يتم توجيه متعدد الطبقات الانصهار (الفرقة متعددة الطبقات) إلى نموذج للتكامل نموذج على مستوى واحد. منذ عمق الشبكة العصبية التلافيف وجود ملامح مميزة من التسلسل الهرمي (انظر القسم 3.1.3 المحتوى)، وطبقات مختلفة ميزة الغنية بالمعلومات الدلالات يمكن أن تكمل بعضها البعض، في تقطيع الصورة الدلالية ، الحبيبات غرامة استرجاع الصور ، استنادا إلى تمثيل شخصية تحليل الفيديو ملامح مشتركة لتكامل استراتيجية متعددة الطبقات باستخدام وغيرها من المهام. عموما، عندما، أثناء عملية الانصهار حيث الطبقات المختلفة متعدد الطبقات يمكن تتالي مباشرة خصائص الشبكة (سلسل). للشبكة التي ينبغي اختيار طبقة ميزة الانصهار، والخبرة العملية، وأفضل تطبيق عدة ظيفة التفاف بالقرب من ميزة الهدف، لأن ملامح الدلالي رفيعة المستوى اقوى أكثر الواردة في عمق، وحل السلطة أقوى، والعكس، والمزيد من الشبكة خصائص الضحلة العالمية من لهو على الأرجح ميزة الانصهار دون جدوى، وحتى في بعض الأحيان إلى نتائج عكسية.

شبكة "لقطة" لعملية التكامل

ونحن نعلم أن الكثير من نقاط مثلى محلية جود نموذج الشبكة العصبية في عمق الفضاء حل معقد، ولكن الدفعة الكلاسيكية العشوائية أصل التدرج (مصغرة دفعة SGD) لا يمكن إلا أن نموذج الشبكة التي تتقارب إلى الحل الأمثل المحلي. شبكة "لقطة" لعملية التكامل (لقطة الفرقة) استغلت هذه الشبكات المحلية مساحة حل من الحلول المثلى لجعل نموذج متكامل لشبكة واحدة. عن طريق التعلم معدل تعديل دورة (دوري جدول زمني معدل التعلم) يمكن أن تتقارب إلى شبكة مختلفة بالتتابع الحلول المثلى المحلية في 13-1 تظهر على اليسار في FIG.

على وجه التحديد، يتم تعيين معدل التعلم مع نموذج رقم التكرارات ر (التكرار، أي دفعة العشوائية التدرج النسب دعا عدد من التكرارات) وظيفة التغيير، وهي:

حيث، [إيتا] 0 هو معدل التعلم الأولي، تعيين عادة إلى 0.1 أو 0.2. تي هو عدد نموذج التكرار (وهذا هو، وعدد من التدريب دفعة دفعة مصغرة). T هو العدد الإجمالي من نموذج التدريب دفعة واحدة. M هو معدل التعلم ". دورة الصلب "(الصلب دوري) عدد الذي يتوافق مع نموذج تتقارب إلى عدد من الحلول الأمثل المحلية. الفورمولا 13.1 كوس وظيفة جيب التمام () لمعدل التحديث حلقة تعميم التعلم، وزيادة معدل التعلم من 0.1 تدريجيا مع تي تباطأ إلى 0، بعد أن علمت من إعادة تضخيم القفز من الحل الأمثل المحلي، منذ بداية الدورة القادمة من التدريب، وبعد انتهاء هذه الدورة يمكن أن تتلاقى لأوبتيما المحلي في الجديدة، وبالتالي فإن دورة ..... حتى نهاية دورات M. التحديث العوملة 13.1 جيب التمام وظيفة دورة معلمات الشبكة، لذلك تسمى هذه العملية " الصلب جيب التمام دورة "عملية (الصلب دوري جيب التمام) .

عندما بعد "والصلب جيب التمام دورة" معدل بعد التعديل التعلم، في نهاية كل دورة تسمح نموذج تلتقي مختلف لحلول الأمثل المحلية لتلتقي نموذج إذا كان الحفاظ على مختلف الحل الأمثل المحلي يمكن الحصول عليها في التقارب مختلفة من M الدولة النموذج، كما هو مبين في حق المنحنى الأحمر 13-1 في FIG. لإنقاذ بعد نهاية كل دورة النموذج، الذي نسميه نموذج "لقطة" (لقطة). في القيام المرحلة نموذج اختبار التكامل، لأن عمق نموذج الشبكة قد لا يكون أداء Jiaoyou في مرحلة التدريب الأولى، يتم تحديده عموما م الماضي نموذج "لقطة" لتحقيق التكامل. هذه النماذج يتم دمج الاستراتيجية على "لقطة" قد يستغرق "طريقة المتوسط مباشرة" المذكور لاحقا في هذا الفصل.

13.2.2 متعدد نموذج التكامل

على واحد وصفنا كيف النموذج القائم على شبكة واحدة متكاملة، وهذا القسم لاقول لكم كيفية إنتاج عدد من الشبكات المختلفة وبعض من نتائج التدريب نموذج متعدد متكاملة.

استراتيجية الجيل متعددة النماذج

• نفس النموذج مع التهيئة مختلفة . ونحن نعلم، لأن آلية تدريب الشبكة العصبية على أساس النسب التدرج العشوائية، مختلفة جدا المعلمات نموذج الشبكة التهيئة تؤدي إلى نتائج مختلفة شبكة التدريب. في الاستخدام الفعلي، وخاصة بالنسبة للعينات صغيرة (أمثلة محدودة) سيناريو تعلم، أولا وقبل كل شيء لنفس النموذج في التهيئة مختلفة، بعد نموذج الشبكة للحصول على نتائج التكامل سيخفف كثيرا من العشوائية تحسين التنبؤات المهمة الأخيرة.

• التدريب المختلفة تقريب نفس النموذج . إذا تعيين المعلمات فائقة الشبكة بشكل صحيح، فإن نموذج معمقة مع شبكة التدريب تميل تدريجيا للتجمع، ولكن نتيجة لعدة عجلات التدريب المختلفة لا تزال مختلفة، والذي لم يتمكن من تحديد نموذج الأنسب لقطار للحصول على بيانات الاختبار في نهاية المطاف. واستجابة لهذه المشاكل، حل بسيط هو نموذج نتائج الادوار النهائية من التدريب للقيام التكامل، بحيث يمكن لأحد أن يقلل من الخطأ العشوائي، مع تجنب مخاطر مفرطة جولات التدريب المناسب على يجلب. ويشار إلى هذه العملية على أنها "قالت جولة التكامل" (عصر الاندماج أو الفرقة العصر). أمثلة محددة لاستخدام ECCV إشارة 2016 "الذي نظمته ظهور شخصية مبنية على تحليل الفيديو" الممارسات الفائز مسابقة .

• وظيفة موضوعية مختلفة . دالة الهدف (أو فقدان وظيفة) هو كامل شبكة التدريب "العصا"، واختيار لا بد وظيفة موضوعية مختلفة لجعل شبكة تعلم ميزات مختلفة تمثل. مع المهام تصنيف، على سبيل المثال، يمكن أن يكون "وظيفة عبر الكون الخسارة"، "يتوقف فقدان وظيفة"، "فجوة كبيرة عبر الكون وظيفة الخسارة" و "مركز ظيفة فقدان" تدريب النموذج بوصفه دالة الهدف، على التوالي. في الفترة المتوقعة، سواء بشكل مباشر القيام به "مستوى الثقة" (نتيجة التعادل) من المتوسط أو صوت نماذج مختلفة للتنبؤ النتائج، يمكنك أيضا القيام "ميزة مستوى" (مستوى الميزة) نموذجا للتكامل: عمق ملامح الشبكات المختلفة الخروج من بعد ميزة متسلسلة النهائية، بعد الضحلة حاليا تدريب المصنف (على سبيل المثال، شعاع الدعم الآلي) لإكمال المهمة التنبؤ.

• هياكل الشبكة المختلفة . بل هو أيضا وسيلة فعالة لتوليد نتائج مختلفة نموذج الشبكة. يمكن تدريب النماذج على أبنية شبكة مختلفة مثل شبكة VGG، وعمق الشبكة المتبقية وشبكة أخرى، وتشغيل أخيرا النتائج التي تم الحصول عليها من أبنية شبكة مختلفة لا متكامل.

المتكاملة طريقة متعددة النماذج

استخدام على أكثر من نموذج واستراتيجية واحدة شبكة الجيل أو "لقطة" طريقة متكاملة المذكورة يمكن الحصول على عدد من نتائج التدريب الشبكة، بالإضافة إلى مباشرة ميزة مستوى المتعلم التدريب التعاقبي حاليا الضحلة، يمكنك أيضا الحصول في على التنبؤات مستوى الشبكة ونتيجة لعدد من تكامل الشبكة. قدمت أربعة الأكثر شيوعا أساليب متعددة النماذج المتكاملة التالية. لنفترض أن هناك نماذج N إلى أن تكون متكاملة، لاختبار عينة العاشر، فإن النتائج المتوقعة للN-الأبعاد الموجه C (C هي البيانات الفضائية المسمى): S1، S2، ...، SN.

• طريقة المتوسط المباشر (Simpleaveraging) هو الأكثر بسيطة وسيلة فعالة لتحقيق التكامل بين نماذج متعددة، مباشرة من قبل فئة الثقة تنتج نموذجا مختلفا متوسط النتائج أن تسفر عن التنبؤ النهائي:

• المتوسط المرجح ل (المتوسط المرجح) يضاف إلى اليمين على أساس أهمية طريقة المتوسط المباشر لضبط الوزن من نماذج مختلفة من الإخراج:

حيث، [أوميغا] ط يتوافق مع الأوزان ط عشر نموذج، ويجب الوفاء بها:

في الاستخدام الفعلي، على i قيمة الوزن من نماذج مختلفة يمكن أن تقوم على التحقق من صحة وضعها بشكل فردي دقة، دقة عالية من الأوزان نموذج أعلى الوزن، ودقة منخفضة من نموذج يمكن تعيين الأوزان الصغيرة.

• قانون الانتخابات (التصويت) هو الأكثر شيوعا تصويت الأغلبية طريقة (التصويت بالأغلبية)، قبل التصويت أن يكون النموذج الأول التنبؤي سي الثقة عادت إلى الطبقة التنبؤ بها، أي الطبقة المقابلة لأعلى الأرقام الثقة CI {1،2،. ..، C} نتيجة للنموذج التنبؤ. في طريقة تصويت الأغلبية، في الحصول على عينات التنبؤ النهائية س، إذا فئة نموذج التنبؤ للحصول على أكثر من نصف الأصوات، توقعات عينة لفئة، وإذا لم فئة لأكثر من نصف العينة إلى التصويت، ورفض لجعل التنبؤ (تسمى "خيار الرفض").

طريقة أخرى التصويت شيوعا هو أسلوب الأغلبية نسبيا التصويت (تعدد التصويت)، والتصويت بالأغلبية مخرجات نظام "يرفض توقع" هو سوف النسبي طريقة التصويت بالأغلبية عودة فئة نتيجة التنبؤ، لأن أغلبية الأصوات النسبي حدد عدد من الأصوات هي أعلى فئة نتائج التوقعات النهائية.

• طريقة التراص  (زرع)، المعروف أيضا باسم "أسلوب التكامل الثانوي"، بل هو نهاية الفائقة والمتكاملة خوارزمية التعلم. في المثال السابق، باعتباره نموذجا شبكة العاشر إدخال عينة أو خوارزمية تعلم، سي هو الإخراج كما في نماذج الثقة ط عشر فئة، وعملية التعلم يمكن أن يشار إليه على أنه أمر العملية التعليمية (التعلم المستوى الأول). التراص القانون هو انتاج من الدرجة الأولى من عملية التعلم كمدخل لتنفيذ التعلم من الدرجة الثانية (التعلم المستوى الثاني)، التي يشار إليها أحيانا باسم (التعلم الفوقية) "التعلم الفوقية". خذ المثال السابق، لس عينة، طريقة الإدخال المكدس هو نموذج تنبؤي الثقة N يمكن تتالي هذه الثقة كما أعرب عن ميزة جديدة. بعد بناء على هذه "الميزة أن" التدريب والتعلم تعيين ذلك إلى الفضاء ملحوظ العينة الأصلية. لاحظ أنه في هذا الوقت قد يكون أي اكتساب التعلم نموذج خوارزمية للتعلم، مثل SVM (دعم آلة ناقلات)، غابة عشوائية (الغابات عشوائي)، وبطبيعة الحال، قد تكون نموذجا الشبكة العصبية. ولكن هذا يحتاج إلى أن يكون وأشار إلى أن طريقة التراص لديه خطر أكبر من خلال تركيب.

13.3 ملخص

• عمق نموذج من هذه الشبكة هو لتعزيز التكامل وغالبا ما يكون "معززة" القوة التنبؤية النهائية للشبكة، ويصف هذا الفصل بعض من عمق النهج المتكامل نموذج الشبكة من اثنين "الطائرة البيانات" و "مستوى النموذج".

• طائرة البيانات شيوعا الطريقة المستخدمة هو توسيع البيانات وطريقة "سهولة التكامل"، هي بسيطة لكنها فعالة.

• نموذج متكامل على مستوى نموذج يمكن تقسيمها إلى "نموذج متكامل واحد" و "التكامل المتعدد النماذج". ملامح وسيلة واحدة يمكن أن تكون نموذجا متعدد الطبقات من طريقة واحد متكامل القائم على نموذج وشبكة التكامل "لقطة" في فرنسا. معلومات متكاملة متعددة نموذج، قد تكون مجموعة مختلفة القطار عجلة عدد وظيفة موضوعية تنتج نتائج التدريب المختلفة من خلال عدد وافر من مختلف نموذج الشبكة المعلمة التهيئة. وأخيرا، واستخدام المتوسطات، ونتائج طريقة التصويت وطريقة التراص متكاملة.

• وتجدر الإشارة إلى أنه، في الواقع، هو نوع من أساليب التكامل ضمنية ذكرت بشكل عشوائي في الفصل 10 من التعطيل (التسرب). للحصول على تفاصيل من تعطيل عشوائي، تشير إلى 10.4.
• أكثر على نظرية التعلم المتكاملة والخوارزميات، يرجى الرجوع إلى جامعة نانجينغ، كتاب تشو تشى هوا "طرق فرقة: الأسس والخوارزميات" .

"تحليل التعلم العميق" كتاب في لمحة