Tasojen ymmärtäminen syväoppimisessa

Koneoppimisen yhteydessä kerros on joukko neuroneja, jotka ovat yhteydessä toisiinsa tietyllä tavalla. Jokainen hermoverkon kerros on suunniteltu suorittamaan tietty toiminto, kuten poimimaan ominaisuuksia syöttötiedoista tai muuttamaan edellisen kerroksen ulostuloa.

Syvissä oppimisarkkitehtuureissa yleisesti käytettyjä kerroksia on useita, mukaan lukien:

1. Syötekerros: Tämä kerros ottaa vastaan raakasyöttötiedot ja välittää ne seuraavalle tasolle.
2. Piilotetut kerrokset: Näissä kerroksissa tapahtuu taikuutta. He ottavat syötetiedot ja soveltavat siihen sarjan muunnoksia, kuten lineaarisia muunnoksia, epälineaarisia aktivaatioita ja yhdistämistä. Näiden kerrosten tulos on joukko piirrekarttoja, jotka edustavat syöttödataa abstraktimmin.
3. Tulostuskerros: Tämä kerros ottaa piilotettujen kerrosten tulosteen ja tuottaa mallin lopullisen tulosteen. Se sisältää tyypillisesti softmax-aktivointifunktion, joka tuottaa todennäköisyydet jokaiselle luokalle.
4. Konvoluutiotasot: Nämä tasot on suunniteltu poimimaan ominaisuuksia kuvista ja muista ruudukkomaisista tiedoista. He käyttävät konvoluutiosuodattimia syöttötietojen skannaamiseen ja piirrekartan tuottamiseen.
5. Tasojen yhdistäminen: Nämä tasot vähentävät syöttötietojen tilaulottuvuutta tärkeimpien ominaisuuksien kaappaamiseksi. He käyttävät pooling-toimintoa, kuten max pooling tai keskimääräinen pooling, valitakseen tärkeimmät ominaisuudet.
6. Toistuvat tasot: Nämä tasot on suunniteltu käsittelemään peräkkäisiä tietoja, kuten aikasarjoja tai tekstiä. Ne käyttävät toistuvia yhteyksiä ylläpitämään piilotettua tilaa, joka kaappaa tiedot aikaisemmista syötteistä.

Jokainen hermoverkon kerros on yhdistetty seuraavaan kerrokseen painotusten ja harhojen avulla. Painot määrittävät hermosolujen välisten yhteyksien vahvuuden, kun taas harhat määräävät kynnyksen kunkin hermosolun aktivoitumiselle. Harjoittelun aikana malli säätää näitä painoja ja poikkeamia minimoimaan virheen ennustetun lähdön ja todellisen lähdön välillä.