شبکه عصبی کانولوشنی با هسته قابل یادگیری (Learnable Kernel CNN)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی کانولوشنی با هسته قابل یادگیری (Learnable Kernel CNN) :
در CNNهای معمولی، هسته های کانولوشن (فیلترها) مستقیما و به صورت آزادانه در طول آموزش یاد گرفته می شوند. در "هسته قابل یادگیری" (learnable kernel)، منظور این است که هسته ها یا ویژگی های هسته ها (مانند شکل یا پارامترهای یک تابع پایه) پارامتری شده و یاد گرفته می شوند. این می تواند شامل موارد زیر باشد:
یادگیری مستقیم وزن های فیلتر (روش استاندارد).
یادگیری ترکیبی از فیلترهای پایه (basis filters) که در آن هر فیلتر ترکیب خطی از چند فیلتر پایه است (این کار تعداد پارامترها را کاهش می دهد).
یادگیری پارامترهای یک تابع پیوسته (مثلا با استفاده از شبکه های عصبی برای تولید فیلتر وابسته به موقعیت یا مقیاس).
در شکل پیشرفته تر، مانند "CondConv" یا "Dynamic Filter Networks"، هسته ها به ورودی وابسته می شوند: وزن های فیلتر از روی ورودی با یک شبکه کوچک تولید می شوند. این کار تطبیق پذیری بیشتری ایجاد می کند.
کاربردها: افزایش کارایی (کاهش پارامترها) با استفاده از فیلترهای ترکیبی، بهبود تطبیق پذیری در معماری های دینامیک.
