Deep Learning

Kapitel 4. Die wichtigsten Architekturen von Deep Networks

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

Die Mutterkunst ist die Architektur. Ohne eine eigene Architektur haben wir keine Seele unserer eigenen Zivilisation.

Frank Lloyd Wright

Nachdem wir nun einige Komponenten von tiefen Netzen kennengelernt haben, wollen wir einen Blick auf die vier großen Architekturen von tiefen Netzen werfen und darauf, wie wir die kleineren Netze nutzen, um sie aufzubauen. Zu Beginn des Buches haben wir vier große Netzwerkarchitekturen vorgestellt:

• Unüberwachte vortrainierte Netzwerke (UPNs)
• Faltungsneuronale Netze (CNNs)
• Rekurrente neuronale Netze
• Rekursive neuronale Netze

In diesem Kapitel gehen wir auf jede dieser Architekturen näher ein. In Kapitel 2 haben wir dir ein tieferes Verständnis für die Algorithmen und die Mathematik vermittelt, die neuronalen Netzen im Allgemeinen zugrunde liegen. In diesem Kapitel konzentrieren wir uns mehr auf die übergeordnete Architektur der verschiedenen tiefen Netze, um ein Verständnis für die Anwendung dieser Netze in der Praxis zu entwickeln.

Einige Netzwerke werden wir etwas ausführlicher behandeln als andere, aber wir werden uns hauptsächlich auf die beiden Hauptarchitekturen konzentrieren, die du in der freien Wildbahn sehen wirst: CNNs für die Bildmodellierung und Long Short-Term Memory (LSTM) Netzwerke (rekurrente Netzwerke) für die Sequenzmodellierung.