Avtokodlarning tafovutlari(Variant parametring, VEA) Ular Ae me'morchiligiga o'xshash, ammo ular boshqa bir qatorda: Imkoniyat namunalarining probiysid taqsimotining yaqinlashishiga o'xshash. Bunda ular boltzman mashinalaridan kelib chiqadi. Shunga qaramay, ular probiyotilistik xulosalar va mustaqillikka erishilganda, "Bays matematikasi" ga ishonadilar, ammo ular sezilarli, ammo amalga oshirishda murakkabdir. Agar biz umumlashtirsak, shuni aytishimiz mumkinki, bu tarmoq neyronlarning ta'sirini hisobga oladi. Agar biror narsa bir joyda sodir bo'lsa, boshqa narsa boshqa narsa bo'lsa, unda bu voqealar shart emas va buni hisobga olish kerak.
Shovqinni bekor qilish avtokodlari (AutoNECODER, DAE) - Bu rouminglik holatiga kiritilgan ma'lumotlar mavjud. Biz xatoni xuddi shu tarzda hisoblaymiz va mahsulot shovqinli bilan taqqoslanadi. Buning uchun tarmoq kengroq xususiyatlarga e'tibor berishni o'rganadi, chunki kichiklar shovqin bilan o'zgarishi mumkin.
"Chuqur e'tiqod" turini kiriting (Chuqur e'tiqod tarmoqlari, dbn) - Bu arxitekturaning turini olgani, unda tarmoq bir nechta ulangan RBM yoki Vee-dan iborat bo'lgan. Bunday tarmoqlar blokirovkada o'qitiladi va har bir birlik siz faqat avvalgi kodni kodlashingiz kerak. Ushbu usul "ochko'z o'rganish" deb nomlangan bo'lib, u maqbul natijalarni kafolat bermaydigan mahalliy optimal echimlarni tanlashda tashkil etadi. Shuningdek, tarmoqni (teskari xato usuli bo'yicha) probikalistika modeli shaklida o'qitish mumkin. Agar siz o'qituvchisiz o'qishni ishlatsangiz, yangi ma'lumotlarni yaratish uchun barqaror modeldan foydalanish mumkin.
Neron tarmoqlarini to'ldiring (Enutuloza Neron tarmoqlari, CNN) va chuqur ekinlar nestral tarmoqlari (Chuqur konverual Neron tarmoqlari, DCNN)ular boshqa turdagi tarmoqlardan farq qiladi. Odatda ular tasvirni qayta ishlash uchun ishlatiladi, audio uchun kamroq. CNN-dan foydalanishning odatiy usuli - tasvirlarning tasnifi: agar rasmda mushuk bo'lsa, tarmoq it - "it" bo'lsa, "mushuk" beradi. Bunday tarmoqlar odatda bir vaqtning o'zida barcha ma'lumotlarni sur'at emas, balki "skaner" dan foydalanadi. Masalan, agar sizda 200 × 200 ta rasm bo'lsa, siz darhol 40 ming pikselni qayta ishlaysiz. Buning o'rniga, ushbu tarmoq 20 x 20 o'lchamdagi kvadratni (odatda chap yuqori burchakdan) ko'rib chiqadi, so'ngra 1 pikselni va yangi kvadratni ko'rib chiqadi va hokazolarni ko'rib chiqadi. Ushbu kirishlar keyinchalik barcha tugunlar bir-biriga bog'lanmagan katlama qatlamlari orqali uzatiladi. Ushbu qatlamlar chuqurlikka ega va tez-tez uchraydigan darajaga ega: 32, 16, 8, 4, 2, 1. Amaliyotda ma'lumotlarni qayta ishlash uchun FFNN CNN oxirigacha ilova qilinadi. Bunday tarmoqlar chuqur (dcnn) deb nomlanadi.
