Az új adatfeldolgozó motor intelligensebbé teszi a mély neurális hálózatokat

„A funkciók normalizálása fontos eleme a mély neurális hálózatok képzésének, és a figyelemnek

funkciók is ugyanolyan fontosak, hogy segítsenekhálózatok, amelyek kiemelik, hogy a nyers adatokból kinyert jellemzők a legfontosabbak a feladatok elvégzéséhez” – magyarázza Tianfu Wu, az NC State villamos- és számítástechnikai mérnöke. „De többnyire külön dolgozták fel őket. Úgy találtuk, hogy ezek kombinálása hatékonyabbá és eredményesebbé tette őket.”

AN moduljának teszteléséheza kutatók a négy legszélesebb körben használt neurális hálózati architektúrához csatlakoztatták: ResNets, DenseNets, MobileNetsV2 és AOGNets. Ezután két iparági standard mérőszám alapján tesztelték a hálózatokat: az ImageNet-1000 osztályozási teszt, valamint az objektumfelismerés és a példányszegmentálás 2017 MS-COCO tesztje.

„Megállapítottuk, hogy az AN javította a teljesítménytmind a négy architektúrára mindkét teszt során ”- mondta Wu. „Például az ImageNet-1000 Top-1 pontossága 0,5-2,7% -kal javult. Az átlagos pontosság (AP) pontossága az MS-COCO esetében 1,8% -ra, a szemantikus maszkra pedig 2,2% -ra nőtt. Az AN további előnye, hogy elősegíti a tanulás jobb átadását a különböző területek között. Például a kép besorolásától az ImageNet-en át az objektum-észlelésig és a szemantikus szegmentálásig az MS-COCO-ban. Ezt szemlélteti az MS-COCO benchmark teljesítményének javulása, amelyet az ImageNet által az MS-COCO-nál korábban képzett mély neurális hálózatok finomhangolásával értek el. "

"Kiadtuk a forráskódot, és reméljük, hogy AN-junk a mély neurális hálózatok jobb integratív tervezéséhez vezet" - vonják le a tudósok.

Olvassa el

A Doomsday-gleccser veszélyesebbnek bizonyult, mint azt a tudósok gondolták. Elmondjuk a fő dolgot

A földönkívüli élet két bizonyítéka egyszerre merült fel. Az egyik a Vénuszon, a másik - senki sem tudja, hol

Kiderült, hogy az Urán holdjai inkább bolygók