레이어(딥 러닝)

Layer (deep learning)
LeNet과 AlexNet의 컨볼루션, 풀링 및 고밀도 레이어 비교
(AlexNet 이미지 사이즈는 224x224x3이 아닌 227x227x3이어야 합니다.그러면 계산이 올바르게 됩니다.원래 논문은 다른 숫자를 말했지만 테슬라 컴퓨터 비전 책임자인 Andrej Karpathy는 227x227x3일 것이라고 말했다.다음 회전수는 스트라이드 4:55x55x96(54x54x96이 아닌 11x11이어야 합니다.예를 들어 [(입력 폭 227 - 커널 폭 11) / 스트라이드 4] + 1 = [(227 - 11) / 4] + 1 = 55로 계산됩니다.커널 출력은 폭과 길이가 같기 때문에 면적은 55x55입니다).

딥 러닝 모델의 계층은 이전 계층에서 정보를 가져와서 다음 계층으로 정보를 전달하는 모델의 아키텍처에 있는 구조 또는 네트워크 토폴로지입니다.딥 러닝에는 몇 가지 유명한 계층, 즉 컨볼루션 뉴럴 네트워크의[2][3] 컨볼루션[1] 계층과 최대 풀링 계층이 있다.바닐라 뉴럴 네트워크의 완전 접속층 및 ReLU층.RNN 모델의[4][5][6] RNN 레이어 및 자동 인코더 등의 디콘볼루션 레이어.

신피질층과의 차이

딥 러닝 레이어와 신피질 레이어 사이에는 본질적인 차이가 있습니다. 딥 러닝 레이어는 네트워크 토폴로지에 따라 달라지는 반면, 신피질 레이어는 레이어 내 동질성에 따라 달라집니다.

고밀도층

다음 항목도 참조하십시오.컨볼루션 뉴럴 네트워크 fully 완전접속층

완전 연결 층이라고도 불리는 조밀층은 내부 뉴런이 이전 [7][8][9][10]층의 모든 뉴런에 연결되는 층을 말한다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ Habibi, Aghdam, Hamed (2017-05-30). Guide to convolutional neural networks : a practical application to traffic-sign detection and classification. Heravi, Elnaz Jahani. Cham, Switzerland. ISBN 9783319575490. OCLC 987790957.
  2. ^ Yamaguchi, Kouichi; Sakamoto, Kenji; Akabane, Toshio; Fujimoto, Yoshiji (November 1990). A Neural Network for Speaker-Independent Isolated Word Recognition. First International Conference on Spoken Language Processing (ICSLP 90). Kobe, Japan.
  3. ^ Ciresan, Dan; Meier, Ueli; Schmidhuber, Jürgen (June 2012). Multi-column deep neural networks for image classification. 2012 IEEE Conference on Computer Vision and Pattern Recognition. New York, NY: Institute of Electrical and Electronics Engineers (IEEE). pp. 3642–3649. arXiv:1202.2745. CiteSeerX 10.1.1.300.3283. doi:10.1109/CVPR.2012.6248110. ISBN 978-1-4673-1226-4. OCLC 812295155. S2CID 2161592.
  4. ^ Dupond, Samuel (2019). "A thorough review on the current advance of neural network structures". Annual Reviews in Control. 14: 200–230.
  5. ^ Abiodun, Oludare Isaac; Jantan, Aman; Omolara, Abiodun Esther; Dada, Kemi Victoria; Mohamed, Nachaat Abdelatif; Arshad, Humaira (2018-11-01). "State-of-the-art in artificial neural network applications: A survey". Heliyon. 4 (11): e00938. doi:10.1016/j.heliyon.2018.e00938. ISSN 2405-8440. PMC 6260436. PMID 30519653.
  6. ^ Tealab, Ahmed (2018-12-01). "Time series forecasting using artificial neural networks methodologies: A systematic review". Future Computing and Informatics Journal. 3 (2): 334–340. doi:10.1016/j.fcij.2018.10.003. ISSN 2314-7288.
  7. ^ "CS231n Convolutional Neural Networks for Visual Recognition". CS231n Convolutional Neural Networks for Visual Recognition. 10 May 2016. Retrieved 27 Apr 2021. Fully-connected layer: Neurons in a fully connected layer have full connections to all activations in the previous layer, as seen in regular Neural Networks.
  8. ^ "Convolutional Neural Network. In this article, we will see what are… - by Arc". Medium. 26 Dec 2018. Retrieved 27 Apr 2021. Fully Connected Layer is simply, feed forward neural networks.
  9. ^ "Fully connected layer". MATLAB. 1 Mar 2021. Retrieved 27 Apr 2021. A fully connected layer multiplies the input by a weight matrix and then adds a bias vector.
  10. ^ Géron, Aurélien (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : concepts, tools, and techniques to build intelligent systems. Sebastopol, CA: O'Reilly Media, Inc. p. 322 - 323. ISBN 978-1-4920-3264-9. OCLC 1124925244.