Volver al profundo Red de Aprendizaje historia de desarrollo del modelo de catálogo clásico
Anterior: artículos de fondo - la historia clásica de desarrollo del modelo de Deep Red de Aprendizaje (b) elaborada estructura y las características AlexNet
Siguiente: artículos de fondo - modelo clásico de la historia de Deep Red de Aprendizaje (d) elaborada estructura y cuenta con VGG16
En esta sección, elaborada estructura ZF-Net y características, la estructura elaborada siguiente sección y cuenta con VGG16
Papeles Dirección: Visualización y comprensión convolucional Redes
II. Clásica red (Red Classic)
3. ZF-Net
ZF-Net es un ganador 2013 de las tareas de clasificación IMAGEnet, su estructura de red no es una gran mejora, pero ajustar los parámetros, los grandes núcleos de convolución retiran un poco más pequeño, pero el rendimiento de AlexNet mejorado mucho.
Descripción (1) de red:
arquitectura de red:
Deconvolución, antitanque estructura:
usos ZF-Net deconvolución agruparon inversa para ver las características resultados extraídos en la figura. Estos efectos y con referencia a la figura realizar el ajuste de parámetros.
. (2) ZF-Net cuenta con:
①. ZF-Net se basa en la puesta a punto AlexNet
a. AlexNet diferencia en el rendimiento con los dos escasa estructura de conexión de la GPU, y ZF-Net sólo una estructura densa está conectado a una GPU.
. AlexNet primeros cambios capa B: el tamaño del filtro está a punto de llegar a ser
, y el paso
vuelve
.
②. ZF-Net en comparación con AlexNet, usando una capa frontal de menos kernel de convolución, y pasos más pequeños, retiene más características.
③. El uso de deconvolución, mapa de características de visualización. Como puede verse por el mapa de características, caracterizado arquitectura jerárquica. En frente de una capa física perfil, borde, color, textura y otras características, las últimas características de aprendizaje capa y clase abstracta dependiente de aprendizaje. El alto nivel más características que utiliza para hacer la clasificación de rendimiento es mejor, y características de bajo nivel, la lucha por un mejor desempeño caja.
④. Mediante el bloqueo de encontrar las piezas clave absolutos de una categoría de imagen. Los experimentos descritos que aumenta la profundidad, la red puede aprender a distinguir más características.
⑤. Cuando el entrenamiento de la red, los parámetros de bajo nivel de convergencia rápida, más alto, necesitan más tiempo para entrenar, para converger.
Volver al profundo Red de Aprendizaje historia de desarrollo del modelo de catálogo clásico
Anterior: artículos de fondo - la historia clásica de desarrollo del modelo de Deep Red de Aprendizaje (b) elaborada estructura y las características AlexNet
Siguiente: artículos de fondo - modelo clásico de la historia de Deep Red de Aprendizaje (d) elaborada estructura y cuenta con VGG16
