Preguntas etiquetadas con deep-learning

Para preguntas relacionadas con el aprendizaje profundo, que se refiere a un subconjunto de métodos de aprendizaje automático basados ​​en redes neuronales artificiales (ANN) con múltiples capas ocultas. El adjetivo profundo se refiere al número de capas de los ANN. Aparentemente, la expresión aprendizaje profundo fue introducida (aunque no en el contexto del aprendizaje automático o ANN) en 1986 por Rina Dechter en el documento "Aprendiendo mientras busca problemas de satisfacción-restricción".









2
¿Deberían considerarse las redes residuales profundas como un conjunto de redes?
La pregunta es sobre la arquitectura de Redes Residuales Profundas ( ResNets ). El modelo que ganó el primer lugar en el "Desafío de reconocimiento visual a gran escala 2015" (ILSVRC2015) en las cinco pistas principales: Clasificación de ImageNet: Redes de 152 capas “ultraprofundas” (cita Yann) Detección de ImageNet: 16% …



2
¿Qué capa consume más tiempo en el entrenamiento de CNN? Capas de convolución vs capas FC
En la red neuronal convolucional, ¿qué capa consume el máximo tiempo en entrenamiento? ¿Capas de convolución o capas completamente conectadas? Podemos tomar la arquitectura AlexNet para entender esto. Quiero ver la ruptura del tiempo del proceso de capacitación. Quiero una comparación de tiempo relativa para que podamos tomar cualquier configuración …



1
¿Cómo se pueden aplicar los gradientes de políticas en el caso de múltiples acciones continuas?
Trusted Region Policy Optimization (TRPO) y Proximal Policy Optimization (PPO) son dos algoritmos de gradientes de políticas de vanguardia. Al usar una sola acción continua, normalmente, usaría alguna distribución de probabilidad (por ejemplo, gaussiana) para la función de pérdida. La versión aproximada es: L(θ)=log(P(a1))A,L(θ)=log⁡(P(a1))A,L(\theta) = \log(P(a_1)) A, donde es la …

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.