اکسپرس 24
ترجمه فارسی مقاله بهینه سازی اختصاصی لایه: جستجوی لایه های حلقوی مبتنی بر حساسیت

ترجمه فارسی مقاله بهینه سازی اختصاصی لایه: جستجوی لایه های حلقوی مبتنی بر حساسیت

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Layer-Specific Optimization: Sensitivity Based Convolution Layers Basis Search
عنوان مقاله به فارسی بهینه سازی اختصاصی لایه: جستجوی لایه های حلقوی مبتنی بر حساسیت
نویسندگان Vasiliy Alekseev, Ilya Lukashevich, Ilia Zharikov, Ilya Vasiliev
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,Numerical Analysis,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین , تجزیه و تحلیل عددی ,
توضیحات Submitted 13 August, 2024; v1 submitted 12 August, 2024; originally announced August 2024. , Comments: Increase the size of matrix pictures for better UX in PDF view
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛V1 ارسال شده 12 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: اندازه تصاویر ماتریس را برای بهتر UX در نمای pdf افزایش دهید

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 600,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Deep neural network models have a complex architecture and are overparameterized. The number of parameters is more than the whole dataset, which is highly resource-consuming. This complicates their application and limits its usage on different devices. Reduction in the number of network parameters helps to reduce the size of the model, but at the same time, thoughtlessly applied, can lead to a deterioration in the quality of the network. One way to reduce the number of model parameters is matrix decomposition, where a matrix is represented as a product of smaller matrices. In this paper, we propose a new way of applying the matrix decomposition with respect to the weights of convolutional layers. The essence of the method is to train not all convolutions, but only the subset of convolutions (basis convolutions), and represent the rest as linear combinations of the basis ones. Experiments on models from the ResNet family and the CIFAR-10 dataset demonstrate that basis convolutions can not only reduce the size of the model but also accelerate the forward and backward passes of the network. Another contribution of this work is that we propose a fast method for selecting a subset of network layers in which the use of matrix decomposition does not degrade the quality of the final model.

چکیده به فارسی (ترجمه ماشینی)

مدل های شبکه عصبی عمیق دارای معماری پیچیده ای هستند و بیش از حد پارامتر می شوند.تعداد پارامترها بیشتر از کل مجموعه داده ها است که بسیار مصرف کننده است.این کاربرد آنها را پیچیده می کند و استفاده از آن در دستگاه های مختلف را محدود می کند.کاهش تعداد پارامترهای شبکه به کاهش اندازه مدل کمک می کند ، اما در عین حال بی فکر اعمال می شود ، می تواند منجر به وخامت در کیفیت شبکه شود.یکی از راه های کاهش تعداد پارامترهای مدل ، تجزیه ماتریس است ، جایی که یک ماتریس به عنوان محصول ماتریس های کوچکتر نشان داده می شود.در این مقاله ، ما یک روش جدید برای استفاده از تجزیه ماتریس با توجه به وزن لایه های حلقوی پیشنهاد می کنیم.ماهیت این روش آموزش همه پیچیدگی ها نیست ، بلکه فقط زیر مجموعه های پیچش (پیچش های پایه) است و بقیه را به عنوان ترکیب های خطی از پایه ها نشان می دهد.آزمایشات روی مدل های خانواده Resnet و مجموعه داده CIFAR-10 نشان می دهد که پیچش های پایه نه تنها می توانند اندازه مدل را کاهش دهند بلکه پاس های رو به جلو و عقب شبکه را نیز تسریع می کنند.سهم دیگر این کار این است که ما یک روش سریع برای انتخاب زیر مجموعه ای از لایه های شبکه ارائه می دهیم که در آن استفاده از تجزیه ماتریس باعث کاهش کیفیت مدل نهایی نمی شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.