responsive carousel
قیمت 18000 تومان
مشخصات فنی
نام پروژه
زبان برنامه نویسی برنامه نویسی متلب
چکیده پروژه
ارائه بصورت: دانلود فایل متلب و گزارش
 

به عبارت دیگر تفاوت اساسی مدل‌های شبکه عمیق با شبکه عصبی این است که در هر لایه سعی می‌کنند قابلیت بازسازی داده را حفظ کنند یا شبیه مدل‌های RBM با مدل کردن توزیع داده‌ها در هر لایه، اطلاعات فضای ویژگی را حفظ کنند. این نکته اساسی در مدل‌های شبکه عمیق باعث می‌شود که جلوی بیش‌برازش مدل در شبکه عصبی گرفته شود و باعث می‌شود مدل قابلیت تعمیم بیشتری روی داده‌های آزمون داشته باشد. در واقع مدل‌های شبکه عصبی سنتی می‌توانند در تعداد لایه‌های زیاد، به راحتی وزن‌ها را به گونه‌ای تنظیم کنند که اطلاعات نظارتی توجیه شود درحالی‌که روی داده‌های آزمون نتیجه بسیار ناامید کننده به‌دست آيد. در واقع در مدل‌های شبکه عمیق این تضمین وجود دارد که فقط نمایش داده‌ها به منظور رسیدن به برچسب یا توجیه اطلاعات نظارتی تغییر کرده است و در واقع فقط اين اطلاعات حفظ شود در حالی‌که قابليت تعميم چندانی وجود نداشته باشد. به مدل‌های شبکه عمیق مبتنی بر RBM معمولا نام شبکه باور عمیق و به مدل‌های مبتنی بر انکدر-دیکدر شبکه عصبی عمیق یا مدل کدگذار خودکار پشته‌ای می‌گویند. مدل‌های شبکه عمیق در دو نسخه غیرنظارتی و نظارتی (مثل برچسب دسته‌ها) وجود دارند. مدل‌های غیرنظارتی به منظور انتقال فضای ویژگی و رسیدن به یک فضای بدون همبستگی در داده‌های با ابعاد بالا کاربد دارند. مدل‌های نظارتی معمولا به منظور دسته‌بندی یا رگرسیون همانند شبکه عصبی به صورت نظارتی آموزش می‌بینند.
مدل‌های شبکه عمیق توسعه‌یافته مدل‌های شبکه عصبی می‌باشند که امکان بالابردن تعداد لایه‌ها برای یادگیری ویژگی‌های سطح بالای جدید را دارند. در این نوشتار به معرفی مدل
RBM و نحوه آموزش آن می‌پردازیم. مدل RBM و Auto-encoder دو مدل معروف به عنوان لایه‌های شبکه عمیق می‌باشند.
مدل‌‌های شبکه عمیق توسعه یافته مدل‌های شبکه عصبی برای یادگیری تبدیل غیرخطی روی داده‌ها هستند. این مدل‌ها در سال‌های اخیر مورد توجه فراوان قرار گرفته‌اند. در این مدل‌ها علاوه بر کدگذار در هر لایه یک کدگشا نیز وجود دارد. برای مثال در مدل کدگذار خودکار پشته‌ای در هر لایه یک تبدیل خطی همراه با یک تابع فعالیت روی آن برای بردن به نمایش جدید و یک تبدیل با همین مشخصات برای بازسازی داده داریم. مدل‌های مبتنی بر
RBM در هر لایه یک مدل احتمالی مولد دارند، که به صورت خودکار نقش کدگشا را بازی می‌کند.

ورودی سیستم

در این سیستم به عنوان ورودی یکسری تصاویری وجود دارد که به تصاویر بصری معروف اند. این تصاویر از یکسری مفاهیم ذهنی برخوردار هستند که ما می توانیم با بعضی از اشیا آنها را تطبیق دهیم. در تصویر زیر نمونه ای از این تصاویر موجود هستند:

به عنوان مثال می توانیم تصویر سمت چپ و بالا را به عنوان یک فلامینگو تصور کنیم در حالی که واقعا این یک تصویر فلامینگو نیست. و شبکه عصبی عمیق با آموزش باید بتواند آن را یک فلامینگو تشخیص دهد.

برای دانلود آنلاین از قسمت خرید و دانلود یا ثبت سفارش اقدام نمایید و فورا پروژه را دانلود نمایید. گزارش کاملی از نحوه کارکرد این روش نیز همراه فایلهای متلب می باشد.


نام شما

آدرس ایمیل شما
آدرس وبسایت/وبلاگ شما
متن پیام

کد امنیتی

نظرات
  • مرتب سازی بر اساس
  • 1
  • تعداد در هر صفحه :
  • تعداد کل 1