Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
การค้นหาสถาปัตยกรรมประสาท (Neural Architecture Search, NAS) เป็นเทคนิคการออกแบบโครงข่ายประสาทเทียมโดยอัตโนมัติ เป็นแบบจำลองที่ใช้กันอย่างแพร่หลายในด้านการเรียนรู้ของเครื่อง ปัจจุบัน ประสิทธิภาพของแบบจำลองที่ออกแบบผ่านการค้นหาสถาปัตยกรรมประสาทนั้นอาจเทียบเท่าหรือเหนือกว่าแบบจำลองที่ออกแบบโดยมนุษย์ วิธีการค้นหาสถาปัตยกรรมประสาทสามารถแบ่งออกได้เป็น 3 ด้าน ได้แก่ ปริภูมิการค้นหา กลยุทธ์การค้นหา และกลยุทธ์การประมาณค่าประสิทธิภาพ :
- ปริภูมิการค้นหา (search space) กำหนดประเภทของโครงข่ายประสาทเทียมที่สามารถออกแบบและเพิ่มประสิทธิภาพได้
- กลยุทธ์การค้นหา (search strategy) กำหนดวิธีการสำรวจปริภูมิค้นหา
- กลยุทธ์การประมาณสมรรถนะ (performance estimation strategy) จะประเมินประสิทธิภาพของโครงข่ายประสาทเทียมที่มีศักยภาพผ่านโครงสร้าง (อาจไม่จำเป็นต้องสร้างและฝึกฝนเครือข่ายแบบนี้)
การค้นหาสถาปัตยกรรมประสาทมีความเกี่ยวข้องอย่างใกล้ชิดกับ การหาไฮเปอร์พารามิเตอร์ที่เหมาะที่สุด นอกจากนี้ยังเป็นสาขาย่อยของ อีกด้วย
อ้างอิง
- Elsken, Thomas; Metzen, Jan Hendrik; Hutter, Frank (August 8, 2019). "Neural Architecture Search: A Survey". Journal of Machine Learning Research. 20 (55): 1–21. :1808.05377. Bibcode:2018arXiv180805377E. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 2021-01-27. สืบค้นเมื่อ 2020-03-17.
- Zoph, Barret; Le, Quoc V. (2016-11-04). "Neural Architecture Search with Reinforcement Learning". :1611.01578 [cs.LG].
- Zoph, Barret; Vasudevan, Vijay (2017-07-21). "Learning Transferable Architectures for Scalable Image Recognition". :1707.07012 [cs.CV].
wikipedia, แบบไทย, วิกิพีเดีย, วิกิ หนังสือ, หนังสือ, ห้องสมุด, บทความ, อ่าน, ดาวน์โหลด, ฟรี, ดาวน์โหลดฟรี, mp3, วิดีโอ, mp4, 3gp, jpg, jpeg, gif, png, รูปภาพ, เพลง, เพลง, หนัง, หนังสือ, เกม, เกม, มือถือ, โทรศัพท์, Android, iOS, Apple, โทรศัพท์โมบิล, Samsung, iPhone, Xiomi, Xiaomi, Redmi, Honor, Oppo, Nokia, Sonya, MI, PC, พีซี, web, เว็บ, คอมพิวเตอร์
karkhnhasthaptykrrmprasath Neural Architecture Search NAS epnethkhnikhkarxxkaebbokhrngkhayprasathethiymodyxtonmti epnaebbcalxngthiichknxyangaephrhlayindankareriynrukhxngekhruxng pccubn prasiththiphaphkhxngaebbcalxngthixxkaebbphankarkhnhasthaptykrrmprasathnnxacethiybethahruxehnuxkwaaebbcalxngthixxkaebbodymnusy withikarkhnhasthaptykrrmprasathsamarthaebngxxkidepn 3 dan idaek priphumikarkhnha klyuththkarkhnha aelaklyuththkarpramankhaprasiththiphaph priphumikarkhnha search space kahndpraephthkhxngokhrngkhayprasathethiymthisamarthxxkaebbaelaephimprasiththiphaphid klyuththkarkhnha search strategy kahndwithikarsarwcpriphumikhnha klyuththkarpramansmrrthna performance estimation strategy capraeminprasiththiphaphkhxngokhrngkhayprasathethiymthimiskyphaphphanokhrngsrang xacimcaepntxngsrangaelafukfnekhruxkhayaebbni karkhnhasthaptykrrmprasathmikhwamekiywkhxngxyangiklchidkb karhaihepxrpharamietxrthiehmaathisud nxkcakniyngepnsakhayxykhxng xikdwyxangxingElsken Thomas Metzen Jan Hendrik Hutter Frank August 8 2019 Neural Architecture Search A Survey Journal of Machine Learning Research 20 55 1 21 1808 05377 Bibcode 2018arXiv180805377E khlngkhxmulekaekbcakaehlngedimemux 2021 01 27 subkhnemux 2020 03 17 Zoph Barret Le Quoc V 2016 11 04 Neural Architecture Search with Reinforcement Learning 1611 01578 cs LG Zoph Barret Vasudevan Vijay 2017 07 21 Learning Transferable Architectures for Scalable Image Recognition 1707 07012 cs CV