دانلود ترجمه مقاله مروری بر معماری ها و الگوریتم های یادگیری عمیق

1. مقدمه 2. طبقه بندی شبکه عصبی 3. معماری های DNN 4. الگوریتم های آموزش 5. کمبودهای الگوریتم های آموزش 6. بهینه سازی الگوریتم های آموزش 7. معماری ها و الگوریتم ها – پیاده سازی 8. نتیجه گیری

چکیده – یادگیری عمیق (DL) نقش فزاینده ای را در زندگی ما ایفا می کند. در حال حاضر در حوزه هایی مانند تشخیص سرطان ، پزشکی دقیق ، اتومبیل های خودران ، پیش بینی و تشخیص گفتار تأثیر بسزایی داشته است. استخراج کننده های دستی و پرزحمت که در سیستم های یادگیری ، طبقه بندی و شناسایی الگوهای سنتی مورد استفاده قرار می گیرند ، برای مجموعه داده هایی با ابعاد بزرگ مقیاس پذیر نیستند. در بسیاری از موارد ، بسته به پیچیدگی مشکل ، DL همچنین می تواند بر محدودیت های شبکه های کم عمق قبلی که مانع آموزش کارآمد و انتزاع نمایش های سلسله مراتبی داده های آموزش چند بعدی می شود ، غلبه کند. شبکه عصبی عمیق (DNN) از چندین لایه (عمیق) واحد و الگوریتم ها و معماری بسیار بهینه شده استفاده می کند. این مقاله چندین روش بهینه سازی را برای بهبود دقت آموزش و کاهش زمان آموزش مرور می کند. ما در ریاضیات ماوراء الگوریتم های آموزشی که در شبکه های عمیق اخیر استفاده می شود ، تحقیق کرده و کمبودها ، پیشرفت ها و پیاده سازی های فعلی را توصیف می کنیم. این بررسی همچنین انواع مختلفی از معماری های عمیق را شامل می شود ، مانند شبکه های عمیق پیچشی، شبکه های باقیمانده عمیق ، شبکه های عصبی بازگشتی ، یادگیری تقویتی ، خودرمزگذار متغیر و سایر موارد.

Deep learning (DL) is playing an increasingly important role in our lives. It has already made a huge impact in areas, such as cancer diagnosis, precision medicine, self-driving cars, predictive forecasting, and speech recognition. The painstakingly handcrafted feature extractors used in traditional learning, classification, and pattern recognition systems are not scalable for large-sized data sets. In many cases, depending on the problem complexity, DL can also overcome the limitations of earlier shallow networks that prevented efficient training and abstractions of hierarchical representations of multi-dimensional training data. Deep neural network (DNN) uses multiple (deep) layers of units with highly optimized algorithms and architectures. This paper reviews several optimization methods to improve the accuracy of the training and to reduce training time. We delve into the math behind training algorithms used in recent deep networks. We describe current shortcomings, enhancements, and implementations. The review also covers different types of deep architectures, such as deep convolution networks, deep residual networks, recurrent neural networks, reinforcement learning, variational autoencoders, and others.