Howtosignalprocessing
- Adalah model rangkaian saraf terbaik untuk data temporal?
- Bolehkah kita menggunakan CNN untuk data berurutan?
- Bagaimana CNN mengira parameter yang boleh dilatih?
- Apakah batasan CNN?
Adalah model rangkaian saraf terbaik untuk data temporal?
1 Jawapan. Jawapan yang betul kepada soalan "Apakah model rangkaian saraf terbaik untuk data temporal" adalah, pilihan (1). Rangkaian saraf berulang. Dan semua rangkaian saraf yang lain sesuai dengan kes penggunaan lain.
Bolehkah kita menggunakan CNN untuk data berurutan?
CNN dapat diterapkan sebagai model berurutan kerana setiap lapisan mempunyai satu input dan output yang tepat dan disusun bersama untuk membentuk keseluruhan rangkaian.
Bagaimana CNN mengira parameter yang boleh dilatih?
Lapisan Conv: Di sinilah CNN belajar, jadi pastinya kita akan mempunyai matriks berat badan. Untuk mengira parameter yang boleh dipelajari di sini, semua yang perlu kita lakukan hanyalah mengalikan dengan bentuk lebar m, ketinggian n, penapis lapisan sebelumnya D dan menyumbang semua penapis tersebut K di lapisan semasa.
Apakah batasan CNN?
Beberapa kelemahan CNNs: Sertakan hakikat bahawa banyak data latihan diperlukan untuk CNN menjadi berkesan dan mereka gagal menyandikan kedudukan dan orientasi objek. Mereka gagal menyandikan kedudukan dan orientasi objek. Mereka mempunyai masa yang sukar untuk mengklasifikasikan imej dengan kedudukan yang berbeza.
