Ein Schlüsselkonzept von CNNs ist die Idee der translationalen Invarianz. Kurz gesagt, die Verwendung eines konvolutionellen Kernels in einem Bild ermöglicht es der Maschine, eine Reihe von Gewichtungen für ein bestimmtes Merkmal (eine Kante oder ein viel detaillierteres Objekt, abhängig von der Schichtung des Netzwerks) zu lernen und sie auf das gesamte Bild anzuwenden. Sie können eine Katze in einem Bild erkennen. Wenn wir eine Reihe von Gewichten entworfen haben, die dem Lernenden erlauben, eine Katze zu erkennen, möchten wir, dass diese Gewichte gleich sind, egal wo sich die Katze im Bild befindet! Wir würden also eine Schicht im Faltungskern "zuordnen", um Katzen zu entdecken, und dann über das gesamte Bild falten.
Was auch immer der Grund für die jüngsten Erfolge von CNNs ist, sollte angemerkt werden, dass reguläre vollständig verbundene ANNs genauso gut funktionieren sollten. Das Problem ist, dass sie bei größeren Bildern schnell rechnerisch undurchführbar werden, während CNNs aufgrund der gemeinsamen Nutzung von Parametern viel effizienter sind.
Ja, ich habe die Frage geändert. Aber die Sache, die ich fragen möchte, gibt es irgendwelche Kriterien der Verwendung von CNN für ein bestimmtes Problem oder nicht? definitiv CNN wird besser in Leistung, aber es dauert auch lange Zeit für Training und Gedächtnis – Addee
Ja, wenn Sie Objekterkennung und Erkennung oder Spracherkennung tun. Diese Netzwerke werden immer im Feld verwendet, das mit Bildern oder Ton arbeitet. – viceriel
Und Kriterien, nein. Vielleicht Empfehlungen. MLP kann dieselbe Aufgabe mit schlechteren Ergebnissen durchführen. Wenn Ihre Anwendung mit Bild/Ton arbeitet, können Sie CNN verwenden. – viceriel