知识卡片
网络结构体现不同数据复用
原书以全连接层组合前层输入、CNN利用局部连接与权重共享、RNN借状态关联序列,说明模型计算与访存差异。它们不是所有神经网络的穷尽分类,也不必然只能监督学习;LSTM是带门控记忆的循环模型例,不能据历史“最受欢迎”判断今天的使用排序。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
- · 异构加速
原书出处 · 1 处
- 异构加速 · 查看原书依据
CNN从前一层输出空间上邻近的区域中获取一组非线性函数作为输入,然后乘以权重,CNN会多次重用权重。例如,CNN广泛应用于计算机视觉,由于图像具有二维结构,因此相邻的像素是寻找关系的自然选择。 ·RNN 在语音识别或语言翻译方面很流行,RNN 通过向 DNN 模型添加状态来添加显式建模顺序
参考来源
- 位置:《软硬件融合 (黄朝波 著)》第7章《异构加速》(来源项目book-sources;源文件:extracted/软硬件融合 (黄朝波 著)/_epub-src/OEBPS/Text/chapter014.xhtml)
- 结论依据:该项对“原书以全连接层组合前层输入、CNN利用局部连接与权重共享、RNN借状态关联序列,说明模型计算与访存差异”给出定义、对比、案例或条件;保留论证范围,不将启发式当无条件定律。
- 原始内容:CNN从前一层输出空间上邻近的区域中获取一组非线性函数作为输入,然后乘以权重,CNN会多次重用权重。例如,CNN广泛应用于计算机视觉,由于图像具有二维结构,因此相邻的像素是寻找关系的自然选择。 ·RNN 在语音识别或语言翻译方面很流行,RNN 通过向 DNN 模型添加状态来添加显式建模顺序