کاربرد بسط تیلور در کاهش حجم شبکه های عصبی پیچشی برای طبقه بندی نقاشی های سبک امپرسیونیسم و مینیاتور
بسط تیلور یکی از رو ش های تقریب توابعی است که از هر مرتبه ای مشتق پذیر هستند.روال اصلی یادگیری در شبکه های عصبی، مبتنی بر مشتق گیری از تابع هدف و استفاده از گرادیان کاهشی برای نیل به پاسخ بهینه است. شبکه های عصبی پیچشی از مهمترین ابزار حوزه یادگیری عمیق هستند. عمده ی این شبکه ها متضمن مدل هایی با اندازه های بزرگ بوده و کاهش حجم این مدل ها از موضوعات تحقیقاتی به روز می باشد. شیوه ی اصلی روش های کاهش حجم مدل ها، هرس کردن اتصالات زاید شبکه های عصبی است، که عموما مبتنی بر اندازه ی وزن اتصالات می باشند. از جمله ی این شیوه ها، استفاده از بسط تیلور تابع هدف در محاسبه ی اولویت اتصالات، برای حذف آنها از شبکه است. در این نوشتار، این شیوه به صورت مبسوط مورد بررسی قرار گرفته و کاربرد جدیدی از آن در تفکیک تابلوهای نقاشی با سبک های امپرسیونیسم (برداشت گرایی) و مینیاتور (خردنگارگری) ارایه شده است. نتایج آزمایش ها نشان داده است که با روش مبتنی بر بسط تیلور می توان 83 درصد از اتصالات شبکه را انتخاب و حذف نمود، بدون آنکه دقت مدل در این کاربرد خاص کاهش پیدا کند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.