التاليالدليل التالي
شبكات الإشغال والأشكال ثلاثية الأبعاد الضمنية
الذكاء الاصطناعي البصري
دليل الذكاء الاصطناعي المرئي
الشبكات المتبقية
Residual networks use shortcut connections so a block can learn an adjustment to its input.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
This design helped train deeper convolutional networks and also appears in other neural architectures.
الغوص العميق
The ResNet paper addressed degradation observed as networks became deeper. Its residual formulation learns F(x) and produces an output by adding the shortcut input, commonly y=F(x)+x when dimensions align. The paper evaluated residual networks up to 152 layers on ImageNet. When tensor dimensions differ, implementations use a projection or another compatible mapping. The original paper reports benchmark results for its evaluated setup; this does not establish current performance in unrelated tasks such as medical imaging or autonomous driving. When shortcut and residual dimensions differ, the ResNet paper uses a learned projection to match shapes before addition. Its bottleneck block uses 1×1, 3×3, and 1×1 convolutions. Residual links help optimize the studied networks but do not guarantee that depth improves every task. Transformer blocks also use residual connections around attention and feed-forward sublayers, as described by Vaswani et al.
التنفيذ في العالم الحقيقي
A ResNet backbone supplies image features to a classification or detection system.
A researcher compares identity and projection shortcuts when tensor shapes differ.
A deep-learning student traces how the input contributes to the block output.
Transformer blocks use residual connections around sublayers.
مستقبل الشبكات المتبقية
Residual connections remain common, but variants and placements differ among architectures. Avoid describing them as universally sufficient to solve optimization or as a guarantee of performance.
وضعها موضع التنفيذ
لماذا يهم
- السرعة والحجم. يمكن للذكاء الاصطناعي المرئي أتمتة مهام الفحص والكشف ووضع العلامات على نطاق واسع.
- خيارات البناء. يمكن للفرق الإبداعية إنشاء نماذج أولية للمفاهيم بشكل أسرع مع عدد أقل من المراجعات اليدوية.
- الفريق وسير العمل. يمكن أن تستخدم العمليات إشارات الصور والفيديو التي كان من الصعب معالجتها في السابق.
احترس من
- يمكن أن تصبح حقوق الصور والموافقة مخاطر قانونية إذا كان المصدر غير واضح.
- يمكن أن يختلف أداء النموذج عبر الإضاءة والتركيبة السكانية والبيئات.
- قد تمر الإيجابيات الكاذبة دون أن يلاحظها أحد ما لم تتم مراقبة عتبات الثقة.
الخطوات التالية
- تحديد معايير القبول لتكاليف الدقة والاستدعاء والخطأ.
- اختبار مع البيانات التي تتوافق مع ظروف الإنتاج الحقيقية.
- أضف مراجعة بشرية للتنبؤات منخفضة الثقة أو عالية التأثير.
- تتبع انحراف النموذج وإعادة التحقق من صحته بعد تغيير الكاميرا أو مجموعة البيانات.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Residual Networks quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
What is Residual Networks?
Residual networks use shortcut connections so a block can learn an adjustment to its input. This design helped train deeper convolutional networks and also appears in other neural architectures.
ما هي المشكلة التي حلتها الاتصالات المتبقية على وجه التحديد؟
The ResNet paper describes a degradation problem: adding layers to a plain network could increase training error. Residual learning improved optimization in the studied deep networks; it is not a universal guarantee that deeper models perform better.
ماذا تحسب كتلة المتبقي الأساسية عندما تتطابق أبعاد الإدخال والإخراج؟
The ResNet paper reformulates layers as residual functions and adds the shortcut input.
لماذا يساعد تخطي الاتصالات التدرجات أثناء التدريب؟
The identity shortcut provides an additional path for gradients to flow around the learned residual function, which can ease optimization in deep networks; it does not eliminate every gradient problem.
ما هو أعمق ResNet تم تقييمه في ورقة ImageNet الأصلية؟
The paper evaluates residual networks up to 152 layers on ImageNet.
إذا تعلمت طبقات الكتلة المتبقية أن F(x) = 0، فماذا تفعل الكتلة؟
عندما يكون F(x) = 0، يكون الإخراج x فقط، وبالتالي تصبح الكتلة بمثابة تعيين هوية. وهذا يجعل الطبقات الإضافية غير ضارة إذا لم تكن هناك حاجة إليها.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع