Kürzlich gab NEC bekannt, dass es eine tiefgreifende automatische Lernoptimierungstechnologie entwickelt hat, die die Erkennungsgenauigkeit leichter verbessern kann.
In der Vergangenheit war Deep Learning aufgrund der neuronalen Netzwerkstruktur (Anmerkung 1) schwierig anzupassen, so dass es unmöglich war, ein optimales Lernen über das gesamte Netzwerk durchzuführen und somit seine Identifikation nicht vollständig zu realisieren.Die entwickelte Technologie kann basierend auf ihrer Struktur automatisch optimiert werden Der Fortschritt beim Lernen durch neuronales Netz macht es einfacher, genauer als je zuvor zu identifizieren.
Das Aufkommen dieser Technologie macht es möglich, die Erkennungsgenauigkeit in verschiedenen Bereichen, wie Bilderkennung und Spracherkennung usw., weiter zu verbessern. Zum Beispiel Erkennungsgenauigkeit der Videoüberwachung, wie Gesichtserkennung und Verhaltensanalyse, und Infrastruktur Überprüfen Sie die Effizienz der Arbeit, um eine automatische Erkennung von Katastrophen, Unfällen und Katastrophen zu erreichen.
Zuerst der Hintergrund
In den letzten Jahren machte Sprung tief Lernen des Fortschritts. Hat in einem weiten Bereich der Bilderkennung, Spracherkennung usw. müssen lernen, verwenden, um die Tiefe der tiefen Struktur des neuronalen Netzes, das Lernen vorbereitete Daten zu erreichen hohe Genauigkeit angewendet. wenn jedoch die Daten exzessiv gelernt wird, wird ein Phänomen ‚over-Lernen (Anmerkung 2)‘ angezeigt wird, die nur Daten genau gelernt, identifiziert werden kann, wohingegen die Daten für die Identifizierung der Lerngenauigkeit verringert werden. um zu vermeiden, dies geschieht, müssen wir ‚Regularisierung (Anmerkung 3)‘ technische Anpassungen verwenden.
Da das Lernen neuronale Netze aufgrund ihrer komplexen Struktur, kann es nur für das gesamte Netzwerk dauern die gleichen Regularisierung Techniken. Die dort Ergebnisse waren einige übermäßige Schichten des Netzwerks Lernen, einige Stagnation und andere Fragen zu lernen, was es schwierig macht voll zu Da es außerdem extrem schwierig ist, den Lernfortschritt aller Stufen manuell einzustellen, ist der Bedarf, das Lernen progressiv nach Schicht anzupassen, sehr hoch.
Die Entwicklung der Technologie ist, die die Struktur des neuronalen Netzes, die Schicht durch Prädiktion Schicht auf Basis von Lernfortschritt, und dem Fortschritt wird automatisch für jede Schicht der Regularisierung Technik konfiguriert ist. Bei dieser Technik wird das gesamte Netzwerk optimiert Lern- und Erkennungsfehlerrate um etwa reduziert werden, 20%, verbessern die Erkennungsgenauigkeit.
Die "Bild" -Schicht der neuronalen Netzwerk-Regularisierungstechnologie stellt das Schema automatisch ein
Zweitens, die Vorteile neuer Technologien
1, gemäß der neuronalen Netzwerkstruktur der automatischen Lernoptimierung
Basierend auf der neuronalen Netzwerkstruktur, prognostizieren wir den Lernfortschritt jeder Schicht und stellen automatisch die Regularisierung für den Fortschritt jeder Schicht Schicht für Schicht dar. Somit wird der Lernfortschritt des gesamten Netzwerks optimiert, um die Probleme übermäßigen Lernens und Lernens zu lösen Stagnation. Bei Erkennungsexperimenten mit handgeschriebenen digitalen Daten dieser Technik wurde die Erkennungsfehlerrate um etwa 20% reduziert und die Erkennungsgenauigkeit wurde signifikant verbessert.
Die Änderung der Erkennungsfehlerrate von "Graph" gegen die Menge an Lerndaten
2, mit der gleichen Menge an Berechnungen in der Vergangenheit, einfach, hohe Genauigkeit zu erreichen
Diese Technik wird nur einmal vor dem Lernen eines neuronalen Netzwerks implementiert, wodurch es leicht wird, eine hohe Genauigkeit mit dem gleichen Lernaufwand wie bisher zu erreichen.
Die NEC Group setzt sich dafür ein, soziale Lösungen weltweit zu fördern, um sichere, sichere, effiziente und faire soziale Werte zu bieten, fortschrittliche IKT-Technologien mit Wissen zu integrieren und zu einer helleren, bunteren und effizienteren Gesellschaft beizutragen .
(Anmerkung 1) Neuronales Netzwerk: Ein neurales Netzwerk, das aus künstlichen Nervenzellen (Neuronen) besteht.
(Anmerkung 2) Überlernen: Überlesen der gegebenen Daten, aber keine Lerndaten
Erkennung des Phänomens verminderter Genauigkeit.
(Anmerkung 3) Regularisierung: Unterdrückung des Überlernens durch Einschränkung der Komplexität des Modells.
Die coolste Technologie für neue Medientechnologien
Sweep gewann den Preis
Kommentar
* User-Statements sind nicht die Position der Website, die Website ist nicht empfohlen, Kommentare im Online-Shop, Händler, Vorsicht vor Betrug!
