Tan profundo que puede llegar al fondo marino del Océano Índico.
Tan profundo que lo más probable es que se pierda en The Great Himalayas.
🙂 🙂 🙂 🙂 🙂 🙂
- Cómo numerar los clústeres en la agrupación jerárquica de documentos en Python
- Cómo aprender un pozo bayesiano no paramétrico
- ¿Cuáles son los principales enfoques de la inteligencia artificial?
- ¿Es justo evaluar una red neuronal profunda solo de acuerdo con su rendimiento en algunos conjuntos de datos específicos?
- ¿Cómo se usa SVM y cómo se implementa mejor?
La respuesta es subjetiva por naturaleza. En realidad, depende de los modelos que está intentando construir y la cantidad de datos que está a punto de entrenar. Si los datos están en millones y está utilizando redes neuronales (NN) para entrenarlos. Entonces, probablemente necesitará más capas ocultas para el cálculo, lo que de alguna manera es costoso, ya que consumirá más recursos. Por ejemplo, para visión artificial necesitará el clasificador para detectar el tipo de objeto. El objeto puede ser una roca, una valla publicitaria, un vehículo, un árbol de lado, etc. Ahora necesita múltiples salidas de los NN que construyó. Nuevamente, necesita más capas y nodos ocultos en esas capas. La razón es tener una cantidad razonable de características para una clasificación correcta.
Editar:-
El anterior es solo un caso. También hay otras aplicaciones de aprendizaje profundo que requieren un esfuerzo sustancial para lograr mejores resultados.