신경망과 딥 러닝의 차이점


10

신경망과 딥 러닝의 차이점에 따라 더 많은 계층이 포함되어 있고, 대규모 데이터 세트, 복잡한 컴퓨터 훈련을위한 강력한 컴퓨터 하드웨어와 같은 여러 항목을 나열 할 수 있습니다.

이 외에도 NN과 DL의 차이점에 대한 자세한 설명이 있습니까?


3
내가 아는 한, 숨겨진 계층을 몇 개만 있으면 네트워크를 "깊게"만들 수 있습니다. 더 많은 데이터와 더 큰 컴퓨터는 머신 러닝 작업 모두에 대한 가용성이 증가하는 증상입니다.
Sycorax는 Reinstate Monica가

아마도이 질문은 새로운 인공 지능 스택 교환 으로 마이그레이션해야 합니까?
WilliamKF

2
@WilliamKF 여기는 주제에 관한 주제입니다.
Sycorax는 Reinstate Monica

답변:



4

Frank Dernoncourt는 더 나은 범용 답변을 가지고 있지만, 사람들이 "딥 러닝"이라는 광범위한 용어를 사용할 때 종종 컨볼 루션과 같은 최신 기술을 사용하여 과거 / 전통에서는 찾을 수 없다는 것을 암시 할 가치가 있다고 생각합니다. (완전히 연결된) 신경망. 이미지 인식 문제의 경우, 컨볼 루션 뉴런 / 필터가 가중치를 공유하여 다소 과적 합의 위험을 줄이므로 컨볼 루션은 더 깊은 신경망을 가능하게합니다.


1

레이어 많은 신경망 심층 아키텍처입니다.

그러나 신경망에 사용되는 역 전파 학습 알고리즘은 네트워크가 매우 깊을 때는 잘 작동하지 않습니다. 딥 아키텍처의 학습 아키텍처 ( "딥 러닝")는이를 해결해야합니다. 예를 들어, Boltzmann 기계는 대조 학습 알고리즘을 대신 사용합니다.

깊은 아키텍처를 생각해내는 것은 쉽습니다. 심층 아키텍처에 적합한 학습 알고리즘을 생각해내는 것은 어려운 것으로 입증되었습니다.


그러나 역 전파 알고리즘은 배치 정규화와 같이 새로 개발 된 수치 최적화 기술을 활용하더라도 여전히 전환 망과 반복 망을 학습하는 데 사용되는 것으로 보입니다.
user3269

@ user3269 배치 정규화 및 드롭 아웃은 심층 아키텍처에서 제대로 작동하도록 학습 알고리즘을 수정 한 예입니다.
Neil G

0

딥 러닝에는 여러 레이어가있는 신경망이 필요합니다. 각 레이어는 수학 변환을 수행하고 다음 레이어로 전달합니다. 마지막 계층의 출력은 주어진 입력에 대한 네트워크의 결정입니다. 입력 레이어와 출력 레이어 사이의 레이어를 숨겨진 레이어라고합니다.

딥 러닝 신경망은 계층으로 연결된 거대한 퍼셉트론 모음입니다. 네트워크에서 각 퍼셉트론의 가중치와 편향은 전체 네트워크의 출력 결정의 특성에 영향을줍니다. 완벽하게 조정 된 신경망에서 모든 퍼셉트론의 모든 가중치 및 바이어스 값은 모든 가능한 입력에 대해 출력 결정이 항상 (예상 한대로) 정확하도록합니다. 가중치와 바이어스는 어떻게 구성됩니까? 이는 딥 러닝 (deep learning)이라고하는 네트워크 교육 중에 반복적으로 발생합니다. (샤 라드 간디)

당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.