Deep Learning

Kapitel 3. Grundlagen von Deep Networks

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Hier musst du so schnell laufen, wie du kannst, um an der gleichen Stelle zu bleiben. Wenn du woanders hinwillst, musst du mindestens doppelt so schnell laufen!

Die Rote Königin, Durch den Spiegel

Definieren von Deep Learning

In Kapitel 2 haben wir die Grundlagen des maschinellen Lernens und der neuronalen Netze dargelegt. In diesem Kapitel bauen wir auf diesen Grundlagen auf und vermitteln dir die Kernkonzepte von tiefen Netzen. Das wird dir helfen zu verstehen, was in den verschiedenen Netzwerkarchitekturen vor sich geht, wenn wir in Kapitel 4 zu den spezifischen Architekturen und in Kapitel 5 zu den praktischen Beispielen übergehen. Beginnen wir damit, unsere Definitionen von Deep Learning und Deep Networks zu wiederholen.

Was ist Deep Learning?

Unter haben wir unsere Definition von Deep Learning aus Kapitel 1 wieder aufgegriffen. Die Facetten, die Deep Learning-Netzwerke im Allgemeinen von "kanonischen" mehrschichtigen Feed-Forward-Netzwerken unterscheiden, sind folgende:

• Mehr Neuronen als bisherige Netzwerke
• Komplexere Möglichkeiten zur Verbindung von Schichten
• "Kambrische Explosion" der Rechenleistung zur Ausbildung
• Automatische Merkmalsextraktion

Wenn wir von "mehr Neuronen" sprechen, meinen wir, dass die Anzahl der Neuronen im Laufe der Jahre gestiegen ist, um komplexere Modelle auszudrücken. ...