بهینه سازی اندازه مجموعه داده ها و توابع از دست دادن برای بهبود عملکرد شبکه عصبی

نویسندگان:

(1) J. Quetzalcóatl Toledo-Marín، دانشگاه بریتیش کلمبیا، موسسه تحقیقاتی بیمارستان کودکان BC، ونکوور BC، کانادا (ایمیل: [email protected])

(2) جیمز ا. [email protected])

(3) جفری فاکس، دانشگاه ویرجینیا، مؤسسه علوم رایانه و پیچیدگی زیستی، 994 Research Park Blvd، شارلوتزویل، ویرجینیا، 22911، ایالات متحده آمریکا (ایمیل: [email protected]).

چکیده و مقدمه

مواد و روش ها

نتایج

بحث

نتیجه گیری و مراجع

4. بحث

جانشین های انتشار عمیق می توانند به دستیابی به راه حل حالت پایدار برای مدل سازی چند مقیاسی کمک کنند. در این مقاله ما به 20 منبع که به طور تصادفی در شبکه دوبعدی قرار گرفته اند نگاه کردیم. هنوز هم بسیار پیچیده تر از مشکل واقعی است، به عنوان مثال، شبیه سازی یک سیستم عروقی. با این حال، این یک گام رو به جلو در این مسیر است. ما نشان داده ایم که افزایش تعداد منابع در حال حاضر تعدادی چالش در جنبه های مختلف ایجاد می کند. ما نشان دادیم که چگونه معماری شبکه، ساختار و اندازه مجموعه آموزشی، تابع تلفات، فراپارامترهای الگوریتم‌های آموزشی و تعریف معیارها برای ارزیابی عملکرد شبکه آموزش‌دیده (که ممکن است…

Source link