Deep Learning

Kapitel 6. Tuning tiefer Netzwerke

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

Alle Dinge sind Gift, denn es gibt nichts ohne giftige Eigenschaften. Es ist nur die Dosis, die ein Ding zum Gift macht.

Paracelsus, Arzt, Botaniker, Alchemist, Astrologe und Okkultist der Renaissance im fünfzehnten Jahrhundert

Grundlegende Konzepte für das Tuning tiefer Netze

In werfen wir in diesem Kapitel einen Blick auf die Methoden und Strategien für das Training neuronaler Netze. Wir untersuchen die folgenden Punkte:

• Anpassung der Netzwerkarchitektur an das jeweilige Problem
• Die Grundlagen der Hyperparameter-Abstimmung
• Besseres Verständnis des Lernprozesses

Natürlich kann dieses Kapitel nicht die gesamte Bandbreite der veröffentlichten Tuning-Arbeiten im Bereich des Deep Learning abdecken. Unsere Strategie war es, das wichtigste Material herauszugreifen und dir die wichtigsten Konzepte für das Tuning von Deep-Network-Architekturen zu erläutern. Kapitel 7 konzentriert sich dann speziell auf Tuning-Techniken für die bekanntesten Architekturen von Deep Networks:

• Tiefe Belief-Netze (DBNs)
• Faltungsneuronale Netze (CNNs)
• Rekurrente neuronale Netze

Beginnen wir mit einer allgemeinen Idee oder Intuition, wie wir den Aufbau verschiedener neuronaler Netze mit unterschiedlichen Zielen angehen wollen.

Abstimmung eingeschränkter Boltzmann-Maschinen

Unter behandeln wir in diesem Kapitel das Tuning von Restricted ...