树架构相对于卷积网络的优势：性能研究
以基于树的架构为中心的最新 AI 研究为训练人工神经网络开辟了新的视角。
来源:Qudata树形架构相对于卷积网络的优势：性能研究
传统上，深度学习 (DL) 的训练解决方案方法源于人脑原理。在这种情况下，神经元表示为相互连接的节点，这些连接的强度随着神经元的相互作用而变化。深度神经网络由三层或更多层节点组成，包括输入层和输出层。然而，这两种学习场景有显著不同。首先，有效的 DL 架构需要数十个隐藏的前馈层，目前已扩展到数百个，而大脑的动态仅由几个前馈层组成。
其次，深度学习架构通常包含许多隐藏层，其中大多数是卷积层。这些卷积层在小部分输入数据中搜索特定的模式或对称性。然后，当在后续隐藏层中重复这些操作时，它们有助于识别定义输入数据类别的更大特征。在我们的视觉皮层中也观察到了类似的过程，但近似的卷积连接主要从视网膜输入到第一个隐藏层得到证实。
深度学习的另一个复杂方面是，对于神经网络的运行至关重要的反向传播技术没有生物类似物。这种方法调整神经元的权重，使它们更适合解决任务。在训练期间，我们为网络提供数据输入，并比较它与我们预期的偏差程度。我们使用误差函数来测量这种差异。
然后我们开始更新神经元的权重以减少这种误差。为此，我们考虑网络输入和输出之间的每条路径，并确定这条路径上的每个权重对整体误差的贡献。我们使用这些信息来校正权重。
科学报告图 1
图 1