Работа слоев глубокого обучения
Эта история для тех, кому интересно узнать о рабочих слоях и сетях машинного обучения, но они просто не понимают этого как обзор.
В классической программе, такой как простая программа сложения чисел, люди предоставляют входные данные и правила, а программа выводит ответы. В машинном обучении люди предоставляют входные данные и ответы, а обученная модель выводит правила.
Основная функция машинного обучения или глубокого обучения заключается в том, чтобы полностью преобразовать входные данные, чтобы извлечь из них полезные представления. Представления – это другой способ взглянуть на данные, чтобы понять, как они используются в учебных целях. Этот процесс называется преобразованием данных. Последовательные слои такого представления называются «Глубокие», а процесс преобразования Данных называется «Обучение». Таким образом, глубокое обучение — это многоуровневое представление, изученное в многоуровневых стеках.
Сети глубокого обучения представляют собой многоэтапный процесс обработки информации, основанный исключительно на том, как данные просматриваются и фильтруются в соответствии с их значимостью.
Теперь о последовательных слоях. Какие функции выполняют слои? и каков его вклад? Проще говоря, каждый слой способствует точности модели. веса обновляются на каждом уровне, чтобы найти оптимальные значения веса для большей точности.
Первоначально весам присваиваются случайные значения, после того как входные слои получают данные, цикл повторяется, чтобы найти значение потерь, и после каждой итерации веса корректируются на основе значений потерь.
Спасибо!
