¿Es la precisión proporcional al número de capas ocultas y las unidades de cada capa en la red neuronal?

He visto algunas buenas respuestas sobre redes neuronales poco profundas. Sin embargo, nadie parece haber discutido las CNN y otras variantes.

Las CNN, o redes neuronales convolucionales, son un enfoque para el aprendizaje profundo. Lo que esto significa es que su objetivo es construir una jerarquía de representaciones del mundo: las primeras capas representarán conceptos de bajo nivel como líneas y esquinas, mientras que las últimas capas representarán conceptos de nivel superior como automóviles y aviones. La profundidad de un CNN puede variar de unas pocas capas (4 o 5) a muchas más (25 capas no es raro).

Agregar una capa a una CNN le permite construir traducciones más simples entre niveles de abstracción. Muy a menudo ayuda, pero no debes hacerlo ingenuamente, no funcionará por sí solo. Experimente con sus hiperparámetros (tasa de aprendizaje, entre otros) cada vez que agregue una capa y vea si realmente aumenta su rendimiento.

Finalmente, deberías buscar ResNet. Un equipo de investigadores notó que agregar ingenuamente capas a una CNN no siempre mejoraba el rendimiento de sus pruebas, por lo que decidieron crear una arquitectura donde lo hizo. Su enfoque funciona muy bien: ¡han creado redes con hasta 1000 capas!

La respuesta es no. A medida que aumenta el número de capas ocultas, disminuye la efectividad de la propagación hacia atrás; Además, debe lidiar con un problema de sobreajuste, es decir, su red funcionará muy bien en el conjunto de datos de entrenamiento, pero no puede generalizarse a los nuevos datos que no ha visto y ofrece un rendimiento terrible en los nuevos datos.

Regularizar la red puede reducir el problema de sobreajuste. Para un problema en cuestión, puede probar un número diferente de capas ocultas y analizar su rendimiento en términos de error cuadrático medio para el conjunto de datos de entrenamiento y validación cruzada. Luego, seleccione la red que tenga menos MSE tanto en entrenamiento como en conjunto de validación cruzada.

No. Después de un cierto número de capas ocultas, el error de clasificación comienza a aumentar. Esto fue demostrado en ResNet por la investigación de Microsoft, donde continuaron aumentando las capas ocultas y después de cierto punto el error aumentó. Puede leer el documento en ResNet para obtener más detalles.

Piense en cada capa como una página en una novela de misterio, … en este mundo hay muchas opciones y opciones … aunque podría ser más fácil para algunos, y no para otros, ver lo que viene en la página siguiente antes de leerlo, adquiriendo así Nuevas posibilidades de elección y opción de las mismas, el MLNN no ha sido diseñado para “adivinar con precisión” lo que viene a continuación en un flujo de datos en tiempo real, solo puede ver lo que ha sucedido y poner peso en las palabras que aparecen a menudo, para reducir las opciones y opciones para elegir, a un objetivo aún no percibido.