최신! 전체 깊이 학습 응용 프로그램 드라이 요약

사설 0

  학습의 깊이 검토는 더 고전 2,015 리뷰가 개요 - 깊은 신경망의 학습 , 기술 자체에서 또는 자체가 깊은 요약을 할 수있는 신경망 학습에서이 수준. 2019의 최근 검토에 깊은 학습의 조사 및 그 응용 - 기계 학습에 대한 새로운 패러다임 , 깊은 학습을 위해 올해 열풍, 검토 기사는 매크로 응용 프로그램의 현재 수준에서 연구를 더 깊이 학습을 소개합니다 그리고 문제는, 텍스트의 저자 개요이 개인의 이해를 전달한다.

1 소개

  (이하 DL이라고 함) 딥 러닝 실제로 마찬가지로 즉 상기의 내용, 학습 및 훈련 두 단계를 테스트하는 프로세스를 포함 길이 방향으로 연장되는 종래의 기계 학습 (이하 ML이라고 함)이라고 할 수있는 트레이닝 위상 (대용량 라벨링 포함을 데이터와 determin-는 일치하는 특성을 보내고)와 위상을 추론하는 것은 (노출되지 않은 및 결론은) 이전의 지식 데이터를 사용하여 만드는 새로운 새 레이블을 다룹니다. 그러나 차이는 고전 ML 인공 디자인 기능이나 특징 추출, 분류하고 학습 작업에 대한 필요가 있지만, DL은 자동으로 배울 수 또는 추출물이 기능과 엔드 - 투 소위 완료 분류 임무, 다음과 같이 -end 물론, 작업 처리 중 고전 ML 및 DL의 차이점은 다음과 같습니다

참조가 자동으로 (표현 학습) 언급 배운다로 요구를 학습 방법에 특징을 추출하기 위해 만들어 학습의 질적 이해가 내 블로그를 참조 할 수 있습니다 나타냅니다 배운다 (표현 학습 ) 초기 인상 . 이 기사는 검토 연구에서 밝혔다하고 다음을 이해 :

표상 학습 입력으로 원시 데이터를 취할 수있는 시스템을 도와 방법의 세트를 포함하고, 상기 검출 및 분류의 목적에 대한 표현을 결정

하향 링크의 이해는 다음과 같습니다

깊은 기술은 표현의 여러 수준이 방법을 학습하고 더 추상적 인 수준에서 순수 같은 친절 학습

하향 링크 고전 기계 학습의 다층 표현을 가지고있는 동안 배운다을 이해하는 간단한이 필요하거나 표현하는 중요한 기능을 결정하는 데 사용됩니다, DL 다층 표현은 프리젠 테이션의 get (내 이해)에서 배울 수 있습니다. System의 - 레이어의 이러한 표현에 특징 추출에 사용되는 비선형 요소의 수를 포함 파이썬 깊은 학습으로 도 DL 및 ML 언급 한 책은 새로운 고급 (계층) 방식으로 다르다을 DL 때로는 깊은 학습 또는 계층 적 학습 구조라는, 그래서 깊은 장소 인 표현을 나타냅니다. 따라서도 검토 할 두 가지 핵심 요인 DL 방법을 요약

• 다층 또는 비선형 처리 단계.
• 감독이나 자율 학습.
  첫 번째 요소는 비선형에 초점을 맞추고 두 번째는 기존의 기계 학습과 유사하다, 다층.

2 DL의 기본 구조

공통 기본 구조는 다음과 같습니다 :

• 인코더에서 (자동 인코더, AE)
• 길쌈 신경망 (길쌈 신경망, CNN)
• 제한된 볼츠만 머신 (제한 볼츠만 기계, RBM)
• 또한 볼록 네트워크 (깊은 볼록 네트워크)의 깊이로 알려진 네트워크 스택 심도 (깊은 스태킹 네트워크 DSN)
• 긴 단기 메모리 (LSTM)或정문이 재발 단위
  (GRU) 네트워크
• 재발 성 신경 네트워크 (재발 성 신경 네트워크, RNN)
  DSN을뿐만 아니라 위의 일반 네트워크 깊이와 다른 상세한 이론적 지식을 보내고 책에서 찾을 수 있습니다, 깊이 DSN 여러 별도의 네트워크를 포함, 각 네트워크는 해당이있다 숨겨진 층, 다음과 같이 그 작동 원리가 표현 될 수있다 :
  
  이 기본 구조의 몇 년의 개발은 아래와 같이 :
  
  최근 몇 년 동안 인기, 기본 구조는 LSTM와 RNN입니다.

3 DL 고급 아키텍처

고급 아키텍처 단순한는 더 아키텍처에 대한 각각 확장 할 수 배울 필요로, 아래에 명시된.

AlexNet

포함하여 제프리 힌튼은 연구 팀을 포함, '빅 3'중 하나에 의해 개발

비주얼 그래픽 그룹 순

그 VGG

GoogleNet

보다 빠른 VGG, 층 (22) 층을 갖는 VGG19

진지한

兼容性 好 : ResNet의 주요 이점은 많은 잔여 층 숙련 된 네트워크를 형성 할 수 있다는 것이다

ResNeXt

새로운 아키텍처를 기반으로하지만, 더 나은 ResNet

RCNN (길쌈 신경망과 함께 지역)

이 객체가 이미지에 주어진 이미지와 식별의 개체를 통해 경계 상자를 설계에 따라 달라집니다

욜로

SqueezeNet

낮은 대역폭 아키텍처에서 가장 강력하다.

축복

아키텍처는 최고의 영상 분할 (이미지 분할 문제)의 문제를 해결하는 데 적합합니다.

BOTH

이뿐만 아니라, 최근 몇 년 동안 좀 더 인기있는 상대적으로 고유 한 네트워크 아키텍처

4 DL 기능

디스플레이는 다음과 같이 요약 점 많은 DL의 원래의 특징을 요약 :

• 진정한 신경망 기반보다 두 개 (즉, 깊이)의
• 강한 학습 능력, 데이터를보다 효율적으로 사용, 특히 되세요, 빅 데이터 분야의 강한 인식을 가지고
• 고차원 특징 추출, 소위 학습 관련 표현의 특징 추출 데이터 또는 데이터에서 높은 수준의 추상화에 의해 학습 방법, 이러한 네트워크는 복잡한 기능을 추출 할 수있다.
• 더 나은 주소 강도 높은 컴퓨팅 작업에, 그것은 더 최적화 된 결과를 얻을 수있을 것입니다 많은 수작업을 필요로하지 않습니다
• 학습 네트워크는 네트워크 구조의 깊이, 여진 기능 및 데이터 표현 등 의존
• 적은 매개 변수는 데이터의 선험적 지식에 의존하지 않는, 다양한 기능 (기능)을 설명하는 데 사용되거나
• 신경망의 깊이가 대량의 데이터를 표현하는 새로운 방법으로 마크를 해지에도 들어, 데이터의 유일한 표현을 가지고
  이러한 결정 융합 (결정 융해) 등 다양한 분야에서 큰 진보를 이루어 한 DL을 이러한 기능, (모바일 장치를 차재용 온 휴대 기기), 전사 학습 수준의 불균형 (클래스 불균형 문제)와 같은 새로운 영역을 식별하는 인간 활동 보드.

5 사용 DL 동기

깊이 학습은 디지털 필기 인식을 재생하고, CNN은이 점에서 큰 성공을 달성했다. 여기에 DL을 사용하는 동기 중 일부입니다 :

• DL은 기업에서 AI 사용에 기여할 수, DL은 가장 기본적인 방법 AI는
• 모델의 깊이가 특히 필기 인식, 의료, 영상 분류, 음성 인식 및 자연 언어 처리, 전통적인 방법을 대체하기 시작했을 때 4 ~ 5 년 전의 깊이 신경 네트워크, 우리는 놀라운 업적을 만들었습니다.
• 데이터의 다음 큰 추세를 들면, 깊은 학습 방법이 더 정확합니다
• NVIDIA, YES!
• (메타 학습) 메타은 학습과 협동 학습 강화 학습에 대해 (적대적 및 협동 학습은) 미래의 초점이 될 것입니다

고전 6 DL 및 ML 차이

상장을 포함하여 점의 번호를 확인 하시겠습니까 :

• 천천히 훈련 DL 높은 하드웨어 요구 사항,
• 큰 데이터 적합한 DL 및 고전 ML 적은 데이터에 적용
• DL 추출 자신의 학습 기능 수 있으며, 설명하거나 이해하기 위해 노력하고

전통적인 학습에서 7 DL에 달라

다음은 전형적인 예이어야한다 전통적인 학습 (기존 학습) ML 방식의 클래스를 의미의 차이는 다음과 같은 분야에 반영됩니다 :

특징 추출 및 표현 (표현)

인간을 필요로 상술 한 바와 같이 DL 원시 데이터로부터 분류 기능을 배울 쉽게 할 수있다, 유지하고, 디자인은 전통적인 학습의 기능

일반화 및 다양성

이 기능이 스스로 배울 수 있기 때문에, 다음 DL 일반화 명확하게 높다

데이터 준비

정도의 데이터를 준비하는 측면에서, 자신의 특성에 배울 수있는 것은 너무 복잡 할 필요는 없습니다 또는 DL은 필요하지 않습니다.

모델 교육 및 실행 시간

피팅을 통해 방지하기 위해, DL 그에 따라 더 많은 데이터를 필요로하는 아주 긴 시간, 일반적으로 GPU 가속을 실행합니다.

8 DL 응용 프로그램

다음과 같이 DL 넓은 응용 프로그램의 범위 :

하나 개 소개 하나보다 더 같은 연구 과정 등 세부 사항과 원칙이 원래의 검토 및 기타 정보를 참조 할 필요가있다.

우선, 화상 처리

바이오 이미징 분류 (생물 이미지 분류)

이는 최근 몇 년 동안 미래에 중요한 측면이다

영상 처리 및 분류 (이미지 인식 및 분류)

시맨틱 분할 (시맨틱 이미지 분할)

SAR (합성 개구 레이더)

SAR은 참조 할 수 있습니다 위키 백과 표면에 침투 할 수있는 능력을 위해 선택, 더 잘 식별 할 수있는 능력을 향상시킬 것입니다 DL과 함께, 해양 측면을 모니터링, 재해 모니터링, 환경 모니터링에 사용할 수 있습니다

RS (원격 감지)

참조 감지 바이 백과 , 즉, 수집 된 전자파가 방사되고 반사 먼 대상의 정보를 처리하고, 마지막으로 형성

사람들을 다시 확인 (사람이 다시 확인)

사람을 다시 확인은 다른 카메라 또는 다른 경우에서 같은 카메라로 촬영 같은 사람의 이미지를 연결하는 작업입니다. 다른 카메라 또는 다른 시나리오에서 동일한 카메라를 동일한 개인 식별 즉, 지능 감시 시스템이 사용될 수있다.

물체 감지 (객체 검출)

깊은 비전 시스템

인간의 활동 인식

예를 착용 할 수있는 로봇의 걸음 걸이 인식 종종 상대를 위해서

주차 시스템

주차 측면 즉 주로 화상 처리를 이용하여, 자동 조종

식물 분류

그 식물 분류학

다음은 등 음성학, 의미론 및 텍스트이며

음향 모델링 (음향 모델링)

시맨틱 인식 (음성 인식)을 함유 등에

텍스트 분석 및 인식 (문서 분석 및 인식)

텍스트 / 문서 축약 절

음성 인식 (음성 인식)

다른 국가의 언어와도 방언을 포함하는

작가의 식별

즉, 다양한 스타일에 다른 쓰기 스타일, 또는 쓰기 텍스트를 식별

키워드 스포팅 (말씀이 보인다)

또한 스캔 한 이미지에서 쿼리의 모든 단어를 찾는으로, 키워드 스포팅로 알려진

음성 활동 감지

예를 들어 분리 된 음성 신호는 잡음처럼

다음은 다른 측면이다

적응 시험

일시적으로 분석

자동차 산업 (자동차 산업)

대형 데이터 (빅 데이터)

이 작업은 몇 년 전 방향으로 더 불입니다

주식 시장 (주식 시장 분석)

즉, 기복 주식의 통계적 예측과 유사하다

데이터 흐름 그래프

일시적으로 분석

의료 응용 프로그램 (의료 응용 프로그램)

같은 컴퓨터 지원 진단, 건강 관리, 생물 영상 분류 (생물 이미지 분류) 등을 사용할 수 있습니다 의료 영상, 이미지 인식, 이해, 분할 및 융합 (이미지 융합) 등의 여러 측면을 포함합니다

모바일 멀티미디어

즉, 이동 통신 단말기에 깊은 학습 엔진을 사용하여

전력 시스템의 고장 진단 (전원 시스템 고장 진단)

와이파이 (무선 무선 네트워크)

이러한 통신의 정확도 및 안정성을 증가시키기위한 인코더로서 사용

스마트 시티 (스마트 시티)

이 모든면에서 물체 감지, 얼굴 인식을 포함한보다 포괄적 인 응용 프로그램입니다

사회 응용 프로그램 (사회 응용 프로그램)

등 심리 분석 (심리 분석) 등

9 DL 도전

하향 링크의 방법은 아주 좋은 정확하지만 다음과 같이 여전히 극복해야 할 과제 또는 단점이 있지만 :

• 높은 계산 능력과 대응 고성능 GPU, 문제는 투자 할 필요가 높은 복잡성에 대한 비용이 필요
• 더 강력한 이론적 인 지원은 다양한 복합 깊은 신경망 mod- ELS에 대한 자세한 조사를 언급 원래 리뷰 중 하나에, 없다하는 것은 도전이다, 신경 네트워크 해석 가능성으로 이해 될 수있다
• 그것은 훈련 많은 데이터를 필요
• 쉬운 지역 최소 문제에 해당하는
• 어려움의 토폴로지 및 교육 매개 변수를 찾을 수
• 네트워크와 같은 깊이 네트워크는 블랙 박스, 난치성 비교입니다
• 또한 또한 포인트와 퍼지 로직에 언급 된 문제에 DL에 바인딩

9 결론 및 향후 전망

전반적으로, 우리 계층 DL 층의 두 가지 핵심 요소와 학습 감독 등의 지불의 관심을 먼저해야합니다. 또한 최적화 처리 및 다단계 혁신 (층의 계층 구조에 대응) (학습 감독에 대응하는) 기존의 알고리즘을 배우는 학습 시스템의 깊이에 따라, 즉 ML 연장 그러한 DL을 기억한다. 그런 다음 필드가 깊은 학습 응용 프로그램은 디지털 이미지 처리 및 음성 인식 (음성 인식) 및 다른 측면의 매우 광범위한, 더 많은 인기를 응용 프로그램이 될 것입니다. 마지막으로,이 과학이 막 시작되는 DL, 향후 몇 년 동안 큰 발발에 안내하는 등 NLP, 원격 감지 및 의료 등 더 많은 지역이 될 것입니다.
미래에 대한 DL 비전은 다음과 같습니다 :

• 어떻게 노이즈 현장의 다양한 포함, 복잡한, 비 정적에 적응하기
• 어떻게 기능의 다양성을 증가시켜 네트워크 성능을 향상시키기 위해
• 이러한 강화 학습 기술의 깊이와 같은 자율 학습 호환성 온라인 환경,
• 고급 모델 생성 깊이 (우수한 깊은 생식 모델), 그리고 음성 인식 시스템의 시간 매개 변수에 대한 고급 모델링 기능의 개발 (의 시간적 파라 메트릭 모델링 능력 첨단
  음성 인식 시스템).
• 심지어 자동 운전에, 네트워크 비디오 추적 및 표적 탐지의 깊이를 사용하여