关键词back-propagation algorithm
搜索结果 - 6
- 轻量级前向训练算法推理
这篇论文提出了一种专门为使用 Forward-Forward 算法训练的 DNN 设计的轻量级推理方案,并在 MNIST 和 CIFAR 数据集以及癫痫发作检测和心律失常分类等两个实际应用中进行了评估,证明了它的相关性。
- 高光谱图像分类的前向算法:初步研究
本研究探讨前向传递算法在高光谱图像分类中的应用,实验结果和比较分析表明该方法具有较大的潜力和优势,相较于传统反向传播算法可更好地克服初值敏感、梯度消失、过拟合和计算复杂度等问题。
- 反向误差传播进化
本文提出了一种基于演化算法和特定领域语言的 Back-propagation 算法变体发现方法,发现了多个更新方程式,这些方程式在训练时间更短时能够比标准的 Back-propagation 算法具有更快的训练速度,并在收敛后表现相似。
- 利用和保持卷积网络中的稀疏性的推断、学习和注意力机制
本文介绍一种利用 CNNs 去处理罕见数据的工具套件,包括直接稀疏卷积、注意力机制避免填充,以及适用于标准学习框架的反向传播算法改进,可以实现比传统密集框架更低的内存足迹和计算时间。
- 使用概念器克服灾难性干扰
本文提出了一种基于 conceptors 的反向传播算法,可以在深度前馈网络中抵御以往学习结果的退化,解决连续学习中的 catastrophic interference 问题,并在 MNIST 任务中表现出了优越性。
- 人脸对齐的深度回归
本文介绍一种深度回归方法,包括全局层和多阶段局部层。采用反向传播算法和 Dropout 策略进行联合优化。实验证明,该方法逐步且平均地逼近真实的人脸关键点,避免了早期回归器过强和后期回归器过弱的情况,最终取得了最先进的效果。