لایه (یادگیری عمیق)

یک لایه در مدل یادگیری عمیق یک ساختار یا توپولوژی شبکه در معماری مدل است که اطلاعات لایه های قبلی را گرفته و سپس به لایه بعدی منتقل می کند.

انواع لایه ها

اولین نوع لایه لایه متراکم است که به آن لایه کاملاً متصل نیز می گویند و برای نمایش انتزاعی داده های ورودی استفاده می شود. در این لایه، نورون ها به هر نورون لایه قبلی متصل می شوند. در شبکه های پرسپترون چندلایه، این لایه ها در کنار هم قرار می گیرند.

لایه Convolutional معمولا برای کارهای تجزیه و تحلیل تصویر استفاده می شود. در این لایه، شبکه لبه ها، بافت ها و الگوها را تشخیص می دهد. سپس خروجی های این لایه برای پردازش بیشتر به یک لایه کاملا متصل وارد می شود. همچنین ببینید: مدل CNN.

لایه Pooling برای کاهش حجم داده های ورودی استفاده می شود.

لایه بازگشتی برای پردازش متن با یک تابع حافظه استفاده می شود. مشابه لایه Convolutional، خروجی لایه های تکراری معمولاً برای پردازش بیشتر به یک لایه کاملاً متصل وارد می شود. همچنین ببینید: مدل RNN.

لایه Normalization داده های خروجی از لایه های قبلی را برای دستیابی به توزیع منظم تنظیم می کند. این منجر به بهبود مقیاس پذیری و آموزش مدل می شود.

تفاوت با لایه های نئوکورتکس

یک تفاوت ذاتی بین لایه‌بندی یادگیری عمیق و لایه‌بندی نئوکورتیکال وجود دارد: لایه‌بندی یادگیری عمیق به توپولوژی شبکه بستگی دارد، در حالی که لایه‌بندی نئوقشر به همگنی درون لایه‌ها بستگی دارد.

همچنین ببینید

• یادگیری عمیق
• نئوکورتکس § لایه ها

منابع

1. "شبکه های عصبی کانولوشنال CS231n برای تشخیص بصری". شبکه های عصبی کانولوشنال CS231n برای تشخیص بصری. 10 مه 2016. بازیابی شده در 27 آوریل 2021. لایه کاملاً متصل: نورون‌ها در یک لایه کاملاً متصل به همه فعال‌سازی‌های لایه قبلی، همان‌طور که در شبکه‌های عصبی معمولی دیده می‌شود، اتصالات کامل دارند.
2. "شبکه عصبی کانولوشن. در این مقاله خواهیم دید که چه چیزهایی هستند ... - توسط Arc". متوسط. 26 Dec 2018. Retrieved 27 Apr 2021. Fully Connected Layer به سادگی، شبکه های عصبی فید فوروارد است.
3. "لایه کاملا متصل". متلب. 1 مارس 2021. بازیابی شده در 27 آوریل 2021. یک لایه کاملاً متصل ورودی را در یک ماتریس وزن ضرب می کند و سپس یک بردار بایاس اضافه می کند
4. Géron, Aurélien (2019). یادگیری ماشینی عملی با Scikit-Learn، Keras و TensorFlow: مفاهیم، ​​ابزارها و تکنیک‌های ساخت سیستم‌های هوشمند. Sebastopol, CA: O'Reilly Media, Inc. pp. 322–323. شابک 978-1-4920-3264-9. OCLC 1124925244.
5. حبیبی، اقدم، حامد (1396 / 05 / 30). راهنمای شبکه‌های عصبی کانولوشنال: کاربرد عملی برای تشخیص و طبقه‌بندی علائم ترافیکی هروی، الناز جهانی. چام، سوئیس ISBN 9783319575490. OCLC 987790957.
6. یاماگوچی، کوئیچی؛ ساکاموتو، کنجی؛ آکابانه، توشیو؛ فوجیموتو، یوشیجی (نوامبر 1990). شبکه عصبی برای تشخیص کلمات جدا شده مستقل از بلندگو. اولین کنفرانس بین المللی پردازش زبان گفتاری (ICSLP 90). کوبه، ژاپن