?
新疆时时彩走势图1_,玩时时彩赢钱的只有10%,3d论坛预测论坛技巧论坛,怎么赚钱快 现实点的 凤凰彩票

DeepMind 关系推理网络大揭秘(附论文

时间:2017-09-27 05:03来源:未知 作者:admin 点击:
每当DeepMind发表新论文的时候,媒体便会蜂拥而至、竞相报道,但很多时候都会给读者带来这样那样的误导。这不仅仅会误导读者,更会让那些没有深入了解过这一领域的人望而生怯。

  每当DeepMind发表新论文的时候,媒体便会蜂拥而至、竞相报道,但很多时候都会给读者带来这样那样的误导。这不仅仅会误导读者,更会让那些没有深入了解过这一领域的人望而生怯。

  每当DeepMind发表新论文的时候,媒体便会蜂拥而至、竞相报道,但很多时候都会给读者带来这样那样的误导。这不仅仅会误导读者,更会让那些没有深入了解过这一领域的人望而生怯。所以这篇文章的目的是尽可能通俗易懂的向读者解释这一新的架构,本文要求你已经有了神经网络基础知识的储备。

  用最简单的话来解释,关系推理可以学习并理解不同事物(概念)之间的联系。这可以看做是智能的本质特征之一。下面是作者给出的示意图解释了关系推理的内涵:

  在这篇文章中,作者呈现出了一种可以用于提取事物间关系性的神经网络(就像卷积神经网络可以用来提取图像特征一样):

  在我们学习神经网络、bp算法等时候经常会忘记神经网络的本质其实就是一个简单的数学函数。我们上面解释的函数其实描述的就是神经网络,更准确的说,其中包含两个神经网络:

  论文的作者将关系神经网络看做是一个模块。它可以接收编码过的物体并学习物体之间的关系,更重要的是它可以作为模块插入到卷积神经网络CNN和长短时记忆网络LSTM中去。

  CNN可以用图像进行学习,这使得这项技术应用更为广泛。毕竟利用图像进行推理比利用一系列定义好的物体进行推理更为方便和实用。

  同样LSTM可以用来理解输入序列的含义。那么使用这种技术可以使得LSTM可以直接接收自然语言的句子而不是一系列编码过的序列。

  作者为我们提供了一些示例来演示如何将关系网络与卷积神经网络以及长短时记忆网络结合起来,建立能学习物体间相互关系的端到端神经网络。

  首先利用标准的卷积神经网络从图像中抽取特征。得到了每一个物体用一个特征矢量表示,如上图中的黄色矢量所示。

  随后CNN中提取出特征的“物体”与LSTM提取出的矢量被用于训练相关性网络。每一个物体和对应的LSTM矢量成对的输入到神经网络中用于训练gθ。

  作者在论文中展示了了这一模型在多个数据集上的有效性。其中CLEVR数据集包含了很多个不同形状、大小和颜色的物体。对模型的提问类似于这样:

  作者在论文中表示这一模型的精度要远高于其他的模型,这主要是由于这一模型就是为采集物体间相关性而设计的。这一模型达到了96%的准确率,而利用注意力模型的仅仅只有75%的准确率。

  关系网络十分适用于学习不同主体间相关性。它不仅表现在数据的有效性上,更表现在可以广泛用于CNN和LSTMs等网络中的灵活性上。希望这篇文章能为各位呈现深度学习最新的发展状况。

(责任编辑:admin)
顶一?
(0)
0%
踩一?
(0)
0%
------分隔?----------------------------
?