답변:
사실, 성능 향상에 사용 된 일부 세부 사항은 트릭으로 간주되며 이러한 트릭이 데이터와 네트워크에서 동일한 개선을 가져 오는지 항상 알 수는 없습니다.
꼭 필요한 것들 :
다음은 흥미로운 책 Neural Networks : Tricks of the Trade 입니다.이 책은 업데이트 된 2012 년 버전입니다. 신경망의 선구자 중 일부가 작성한 많은 기사.
ypx는 교육과 관련된 많은 실질적인 문제를 아름답게 다루었으므로 제기 한 다른 문제를 다룰 수 있습니다. 많은 엘리트 산업 연구소는 여전히 결과를 발표합니다. 예를 들어 마이크로 소프트 리서치의 팀 그냥 ImageNet 2015 원 그들은 그들의 새로운 깊은 순 모듈을 설명하는 기술 보고서 발표 : 이미지 인식에 대한 깊은 잔여 학습 , 구글의 팀은 물론 자신의 인 셉션 아키텍처를 발표 컨벌루션와 깊은 간다 . 사소한 정도로도 큰 혁신을 공유하는 머신 러닝 (현재) 문화는 여전히 존재합니다. 키가 데이터에 액세스하기 때문일 수 있습니다. Google과 Facebook은 단순히 우리가하지 않은 데이터에 액세스 할 수 있습니다. 원시 알고리즘 혁신에 얼마나 많은 크레딧이 사용되는지, 방대한 양의 데이터에 얼마나 많은 크레딧이 사용되는지는 말하기 어렵다.
미래에 어떤 일이 일어날까요? 말하기 어렵다. 이러한 데이터 중심 기업의 가치와 시장 경쟁력을 고려할 때 많은 사람들이 제기 한 문제입니다. 그러나 지금은 산업 연구소가 공유하고 공유하지 않는 것의 균형이 충분하다고 생각합니다. 정확한 코드 구현을 공유하지 않는 것으로 알고 있습니다. 그러나 그들은 몇 가지 참신한 혁신을 공유합니다.
중요한 결과를 발표하고 읽고 읽고 읽는 연구자를 찾으십시오. 나는 Reddit에서 Yann LeCun의 AMA를 믿으며 자신이 탐욕스러운 독자라고 언급했습니다. 이것이 가장 중요하다고 생각합니다. 그리고 실제적인 범위에서 벤치 마크를 다시 작성하거나 예산 범위 내 데이터 세트에 해당 방법을 적용하십시오.
나는 당신이 어디에 있는지 또는 당신의 역이 무엇인지에 관계없이, 이것이 날카롭게 유지하고 기술을 계속 발전시키는 가장 좋은 방법이라고 생각합니다. 탐욕스러운 독자가되어 사물을 구현하고 직감을 구축하십시오. 개인적으로 ImageNet 대회에 참여할 수있는 자료는 없지만, 최고의 성과를 거둔 ImageNet 그룹의 기사를 모두 읽음으로써 엄청난 도움이되었습니다.