به تازگی NEC اعلام کرده است که یک تکنولوژی بهینه سازی اتوماتیک یادگیری عمیق ایجاد کرده که می تواند به راحتی دقت تشخیص را بهبود بخشد.
در گذشته، یادگیری عمیق بر اساس ساختار شبکه عصبی تنظیم شد (توجه داشته باشید 1)، به طوری که غیر ممکن بود که یادگیری بهینه در کل شبکه انجام شود، بنابراین قادر به شناسایی کامل آن نیست. تکنولوژی توسعه یافته به طور خودکار براساس ساختار آن بهینه می شود پیشرفت یادگیری شبکه عصبی، شناسایی دقیق تر از قبل را آسان تر می کند.
ظهور این تکنولوژی باعث می شود که دقت تشخیص در زمینه های مختلف مانند تشخیص تصویر و تشخیص صدا و غیره بهبود یابد. به عنوان مثال، دقت تشخیص نظارت تصویری مانند تشخیص چهره و تجزیه و تحلیل رفتار و زیرساخت کارآیی کار را برای رسیدن به تشخیص خودکار حوادث، حوادث و حوادث بررسی کنید.
اول، پس زمینه
در سال های اخیر، یادگیری عمیق از پیشرفت جهش. شده است در یک میدان گسترده ای از تشخیص تصویر، تشخیص صدا، و غیره اعمال می شود باید برای یادگیری به استفاده از عمق ساختار عمیق از شبکه های عصبی، یادگیری اطلاعات از پیش آماده شده برای رسیدن به دقت بالا. با این حال، اگر اطلاعات بیش از حد آموخته شود، یک پدیده "بیش از حد یادگیری (یادداشت 2)" وجود دارد، که تنها می تواند داده های آماری را با دقت بالا شناخت و دقت تشخیص داده هایی که برای یادگیری استفاده نمی شود کاهش می یابد. وقوع این وضعیت نیاز به استفاده از تنظیم (توجه داشته باشید 3) فن آوری برای تنظیم.
از آنجا که شبکه های عصبی یادگیری به دلیل ساختار پیچیده آن، تنها می تواند برای کل شبکه با استفاده از تکنیک های تنظیم مشابه گذشته و نتایج وجود داشته است برخی لایه های بیش از حد از یادگیری شبکه بوده است، یادگیری برخی از رکود و دیگر مسائل، و آن را مشکل به طور کامل علاوه بر این، چون پیشرفت یادگیری تمام سطوح به صورت دستی تنظیم شده است، تقاضا برای تنظیم خودکار یادگیری به تدریج توسط لایه بسیار زیاد است.
توسعه فن آوری ساختار شبکه عصبی، لایه پیش بینی لایه بر اساس پیشرفت یادگیری است، و پیشرفت به طور خودکار برای هر لایه از روش تنظیم پیکربندی شده است. با این روش، کل شبکه را بهینه سازی شده است یادگیری و میزان خطا به رسمیت شناختن را می توان با در مورد کاهش 20٪، دقت تشخیص را بهبود می بخشد.
روش تنظیم لایه های شبکه عصبی، شکل، به طور خودکار شماتیک
دوم، مزایای فن آوری های جدید
1، با توجه به ساختار شبکه عصبی از بهینه سازی خودکار یادگیری
ساختار استفاده از شبکه عصبی، ما انتظار داریم هر یک از پیشرفت یادگیری، و به طور خودکار مجموعه لایه مناسب به لایه در پیشرفت لایه های تنظیم. بر این اساس، پیشرفت یادگیری از کل شبکه بهینه شده است برای رسیدگی به لایه های بیش از حد از یادگیری و آموزش گذشته مشکلات رکود در دست خط آزمایش تشخیص داده های دیجیتال با استفاده از این روش، میزان خطا تشخیص است حدود 20٪ کاهش می یابد، آن را تا به بهبود قابل توجه در دقت تشخیص بوده است.
، شکل را با توجه به مقدار تغییر در داده ها آموزش از میزان خطا به رسمیت شناختن
2، زیر محاسبه همان معمولی، دقت آسان
این تکنیک تنها یکبار قبل از یادگیری یک شبکه عصبی به کار رفته است، و دقت بالا با همان مقدار یادگیری محاسباتی را تا حدی آسان می کند.
گروه NEC متعهد به پیشرفت راه حل های اجتماعی در سراسر جهان برای ارائه ارزش های امن، امن، کارآمد و عادلانه اجتماعی است تا فناوری های پیشرفته فناوری اطلاعات را با دانش و همکاری در یک جامعه روشن، رنگارنگ و کارآمد .
(توجه 1) شبکه عصبی: یک شبکه عصبی متشکل از سلول های عصبی مصنوعی (نورون ها).
(توجه 2) بیش از حد یادگیری: بیش از حد یادگیری با توجه به داده ها، اما یادگیری داده ها نیست
شناخت پدیده کاهش دقت.
(تبصره 3) تنظیم مجدد: سرکوب بیش از حد یادگیری با محدود کردن پیچیدگی مدل.
جدیدترین فناوری اطلاعات جدید رسانه
Sweep برنده جایزه شد
نظر
* بیانیه های کاربر موقعیت سایت نیستند، سایت هیچ نظری در فروشگاه آنلاین، فروشنده ارائه نمی شود، مراقب باشید که فریب خورده است!
