Rumah Peranti teknologi AI Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had

Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had

Apr 14, 2023 pm 02:10 PM
pembelajaran yang mendalam kuantum

Dalam Hadiah Nobel 2022 yang diumumkan pada 4 Oktober, tiga saintis, Alain Aspect, John F. Clause dan Anton Zeilinger, memenangi anugerah fizik untuk keterikatan kuantum, menarik perhatian dunia luar kepada bidang penyelidikan kuantum dan perbincangan.

Antaranya, pelaburan penyelidikan yang diwakili oleh pengkomputeran kuantum telah meningkat dengan ketara sejak beberapa tahun kebelakangan ini Orang ramai telah mula meneroka menggunakan kaedah kuantum untuk menumbangkan teknologi sedia ada dalam bidang seperti keselamatan dan komunikasi rangkaian teknik pengkomputeran.

Sesetengah penyelidik percaya bahawa teras pengkomputeran kuantum terletak pada "penyelesaian masalah klasik melalui teknologi kos pengiraan yang lebih rendah Dengan perkembangan selari pembelajaran mendalam dan penyelidikan pengkomputeran kuantum dalam beberapa tahun kebelakangan ini, Ramai penyelidik juga telah mula memberi perhatian kepada persimpangan kedua-dua bidang ini: pembelajaran mendalam kuantum.

Baru-baru ini, Holly Emblem, Ketua Wawasan di Xbox Game Studio Rare, membincangkan keadaan semasa pembelajaran mendalam kuantum dalam artikel baharu "Pembelajaran Dalam Kuantum: Panduan Ringkas untuk Neural Konvolusi Kuantum Rangkaian" Penyelidikan dan aplikasi diperkenalkan, dengan fokus pada kelebihan dan batasan rangkaian neural convolutional kuantum (QCNN) berbanding dengan kaedah pengkomputeran klasik.

1 Perbezaan antara pengkomputeran klasik dan pengkomputeran kuantum

Mula-mula memperkenalkan konsep penting tentang perbezaan antara pengkomputeran klasik dan pengkomputeran kuantum. Apabila program dilaksanakan pada komputer klasik, pengkompil menukar penyataan program kepada bit binari, tidak seperti komputer klasik di mana bit mewakili sama ada 1 atau 0 pada bila-bila masa, qubit boleh berada dalam mana-mana keadaan "Hovering " antara keadaan, hanya apabila ia diukur, qubit runtuh kepada salah satu daripada dua keadaan asasnya, 1 atau 0.

Sifat ini dipanggil superposisi dan memainkan peranan penting dalam tugas pengkomputeran kuantum. Melalui superposisi, komputer kuantum boleh melaksanakan tugas secara selari tanpa memerlukan seni bina selari sepenuhnya atau GPU untuk melaksanakannya. Sebabnya ialah apabila setiap keadaan tindanan sepadan dengan nilai yang berbeza, jika operasi dilakukan pada keadaan tindanan, operasi dilakukan pada semua keadaan pada masa yang sama.

Berikut ialah contoh superposisi keadaan kuantum:

Superposisi keadaan kuantum adalah eksponen, a dan b merujuk kepada amplitud kebarangkalian , yang memberikan memberikan kebarangkalian untuk mengunjur ke keadaan sebaik sahaja pengukuran dilakukan. Antaranya, keadaan kuantum superposisi dicipta dengan menggunakan get logik kuantum.

Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had

Kapsyen: Komputer kuantum IQM Ragsxl di Espoo, Finland

2 Keterikatan dan keadaan Loceng

Superposisi sangat penting dalam fizik kuantum, dan satu lagi prinsip utama ialah keterikatan.

Keterikatan merujuk kepada tingkah laku yang mencipta atau menyebabkan interaksi antara dua atau lebih zarah dalam beberapa cara, yang bermaksud bahawa keadaan kuantum zarah ini tidak lagi boleh bertindak secara bebas antara satu sama lain , walaupun dari jauh. Apabila zarah terjerat, jika satu zarah diukur, zarah lain yang terikat dengannya akan segera diukur sebagai keadaan yang bertentangan (zarah ini tidak mempunyai keadaan setempat).

Apabila pemahaman qubit dan keterjeratan berkembang, keadaan Bell dibincangkan Berikut menunjukkan keadaan terjerat maksimum qubit:

|00. → β → 1 √ 2 (|00  + |11 ) = |β00 ,

|01  → β → 1 √ 2 (|01 + |10 ) = |β🎜

|10  → β → 1 √ 2 (|00  - |11 ) = |β10 

|11  → β → 1 √ 2 - |10 ) = |β11 

Gunakan litar kuantum untuk mencipta keadaan Loceng:

Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had

Ilustrasi: Litar keadaan loceng di Kuil Pengkomputeran Kuantum Perry

Dalam litar keadaan Bell yang ditunjukkan, ia memerlukan input qubit dan menggunakan get Hadamard dan get CNOT untuk mencipta keadaan Bell terjerat.

Pada masa ini, keadaan Bell telah digunakan untuk membangunkan satu siri aplikasi pengkomputeran kuantum antaranya, Hegazy, Bahaa-Eldin dan Dakroury mencadangkan agar keadaan Bell dan pengekodan ultra-padat boleh digunakan; untuk mencapai teori " "Keselamatan Tanpa Syarat".

3 Rangkaian Neural Konvolusi dan Rangkaian Neural Konvolusi Kuantum

François Chollet menegaskan dalam pembelajaran mendalam Python bahawa Rangkaian Neural Konvolusi (CNN) ) adalah popular dalam tugas seperti klasifikasi imej kerana keupayaan mereka untuk membina hierarki corak, seperti mewakili garisan dahulu dan kemudian tepi garisan tersebut. Ini membolehkan CNN membina maklumat antara lapisan dan mewakili data Visual yang kompleks.

CNN mempunyai lapisan konvolusi, terdiri daripada penapis yang "meluncur" melalui input dan menghasilkan "peta ciri" yang membolehkan pengesanan corak dalam input. Pada masa yang sama, CNN boleh menggunakan lapisan pengumpulan untuk mengurangkan saiz peta ciri, dengan itu mengurangkan sumber yang diperlukan untuk pembelajaran.

Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had

Kapsyen: Rangkaian saraf konvolusi yang ditunjukkan oleh Cecbur

Definisi Selepas pemahaman CNN klasik, kita boleh meneroka cara CNN kuantum (Rangkaian Neural Konvolusi Kuantum, QCNN) menggunakan kaedah tradisional ini dan memanjangkannya.

Garg dan Ramakrishnan percaya bahawa pendekatan biasa untuk membangunkan rangkaian neural kuantum adalah untuk membangunkan pendekatan "hibrid" yang memperkenalkan apa yang dipanggil "lapisan konvolusi kuantum," yang merupakan Transformasi berdasarkan stokastik litar kuantum muncul sebagai komponen tambahan dalam CNN klasik.

Berikut menunjukkan QCNN hibrid yang dibangunkan oleh penyelidik seperti Yanxuan Lü dan diuji pada set data digit tulisan tangan MNIST:

Penyelidikan Dalam kertas "Rangkaian Neural Konvolusi Kuantum untuk Klasifikasi Imej," para penyelidik menggunakan litar kuantum dan jalinan sebagai sebahagian daripada model klasik untuk mendapatkan imej input dan menjana ramalan sebagai output.

Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had

Dalam kaedah ini, QCNN mengambil data imej sebagai input dan mengekodkannya ke dalam keadaan kuantum |x> dan kemudian menggunakan lilitan kuantum dan lapisan penyatuan untuk mengubahnya untuk mengekstrak ciri-ciri; akhirnya, lapisan litar terikat kuat yang bersambung sepenuhnya digunakan untuk pengelasan, dan ramalan diperoleh melalui pengukuran.

di mana pengoptimuman dikendalikan melalui penurunan kecerunan stokastik (SGD), yang boleh digunakan untuk mengurangkan perbezaan antara label data latihan dan label ramalan QCNN. Memfokuskan pada litar kuantum, get yang digunakan dalam lapisan convolutional kuantum adalah seperti berikut, termasuk operator putaran dan get CNOT.

Ukur subset qubit dalam lapisan pengumpulan dan hasilnya akan menentukan sama ada untuk menggunakan get qubit tunggal pada bit bersebelahan:

Sepenuhnya lapisan bersambung terdiri daripada "gerbang qubit tunggal universal" dan get CNOT yang menjana keadaan terjerat Untuk membandingkan QCNN dengan kaedah lain, penyelidik menggunakan set data MNIST dengan simulasi QCNN. Mengikuti pendekatan biasa, kami mencipta set data latihan/ujian dan membangunkan QCNN yang terdiri daripada lapisan berikut:

  • 2 lapisan konvolusi kuantum
  • 2 lapisan pengumpulan kuantum
  • 1 lapisan tersambung sepenuhnya kuantum

Pasangan QCNN Ketepatan set ujian set data mencapai 96.65%, dan selepas menguji data daripada Papers with Code, skor ketepatan tertinggi set data dalam CNN klasik boleh mencapai 99.91%.

Perlu diambil perhatian bahawa hanya dua jenis set data MNIST diklasifikasikan dalam percubaan ini, yang bermaksud bahawa akan ada pengehadan dalam membandingkan prestasinya sepenuhnya dengan model MNIST yang lain.

4 Penilaian dan Ringkasan Kebolehlaksanaan

Walaupun penyelidik telah membangunkan kaedah dalam QCNN, isu utama dalam bidang pada masa ini ialah perkakasan yang diperlukan untuk melaksanakan model teori. wujud lagi. Selain itu, kaedah hibrid juga menghadapi cabaran dalam kaedah ujian yang secara serentak memperkenalkan lapisan evolusi kuantum ke dalam pengiraan CNN klasik.

Jika kita menganggap bahawa salah satu kelebihan pengkomputeran kuantum ialah ia boleh menyelesaikan "masalah klasik yang sukar diatasi dengan teknik pengiraan yang lebih murah", maka aspek penting dalam penyelesaian ini ialah Ia terletak pada " pecutan kuantum". Sesetengah penyelidik percaya bahawa kelebihan pembelajaran mesin kuantum berbanding dengan pelaksanaan klasik ialah algoritma kuantum dijangka mempunyai masa pecutan polinomial atau eksponen.

Walau bagaimanapun, had kaedah QCNN yang ditunjukkan di atas ialah apabila kita memerlukan algoritma (seperti QCNN) yang secara konsisten menyahkod/mengekodkan data dan ukuran klasik, "pecutan kuantum" "Keuntungan adalah terhad; dan pada masa ini, tidak banyak maklumat tentang cara mereka bentuk pengekodan/penyahkodan dan protokol terbaik yang memerlukan pengukuran minimum untuk mendapat manfaat daripada "pecutan kuantum."

Keterikatan telah terbukti menjadi sifat penting pembelajaran mesin kuantum Penyelidikan yang disebut dalam artikel ini mengenai QCNN menggunakan litar belitan yang kuat boleh menjana keadaan terjerat sebagai lapisannya yang bersambung sepenuhnya, menjadikan The. model mampu membuat ramalan. Bukan itu sahaja, jalinan juga digunakan untuk membantu model pembelajaran mendalam dalam bidang lain, seperti menggunakan jalinan untuk mengekstrak ciri penting daripada imej, dan menggunakan jalinan dalam set data mungkin bermakna model boleh belajar daripada set data latihan yang lebih kecil daripada yang dijangkakan sebelum ini .

Artikel ini menyediakan perbandingan kaedah pembelajaran mendalam klasik dan kaedah pembelajaran mendalam kuantum, dan membincangkan penggunaan lapisan kuantum (termasuk litar terikat kuat) untuk menjana QCNN yang diramalkan, menganalisis faedah pembelajaran mendalam kuantum dan batasan, dan memperkenalkan aplikasi keterjeratan yang lebih umum dalam pembelajaran mesin, yang juga bermakna kita boleh mula memikirkan langkah seterusnya pembelajaran mendalam kuantum, terutamanya penerapan QCNN dalam lebih banyak bidang. Di samping itu, perkakasan kuantum juga sentiasa bertambah baik, dan syarikat seperti PsiQuantum bahkan telah mencadangkan matlamat untuk membangunkan pemproses kuantum dengan satu juta qubit.

Memandangkan penyelidikan dalam bidang pembelajaran mendalam dan pengkomputeran kuantum berterusan, kita boleh mengharapkan untuk melihat perkembangan selanjutnya dalam pembelajaran mendalam kuantum.

Atas ialah kandungan terperinci Quantum CNN mempunyai ketepatan ujian yang tinggi pada set data, tetapi mempunyai had. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
2 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Repo: Cara menghidupkan semula rakan sepasukan
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Cara mendapatkan biji gergasi
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Kaedah dan langkah untuk menggunakan BERT untuk analisis sentimen dalam Python Kaedah dan langkah untuk menggunakan BERT untuk analisis sentimen dalam Python Jan 22, 2024 pm 04:24 PM

BERT ialah model bahasa pembelajaran mendalam pra-latihan yang dicadangkan oleh Google pada 2018. Nama penuh ialah BidirectionalEncoderRepresentationsfromTransformers, yang berdasarkan seni bina Transformer dan mempunyai ciri pengekodan dwiarah. Berbanding dengan model pengekodan sehala tradisional, BERT boleh mempertimbangkan maklumat kontekstual pada masa yang sama semasa memproses teks, jadi ia berfungsi dengan baik dalam tugas pemprosesan bahasa semula jadi. Dwiarahnya membolehkan BERT memahami dengan lebih baik hubungan semantik dalam ayat, dengan itu meningkatkan keupayaan ekspresif model. Melalui kaedah pra-latihan dan penalaan halus, BERT boleh digunakan untuk pelbagai tugas pemprosesan bahasa semula jadi, seperti analisis sentimen, penamaan.

Analisis fungsi pengaktifan AI yang biasa digunakan: amalan pembelajaran mendalam Sigmoid, Tanh, ReLU dan Softmax Analisis fungsi pengaktifan AI yang biasa digunakan: amalan pembelajaran mendalam Sigmoid, Tanh, ReLU dan Softmax Dec 28, 2023 pm 11:35 PM

Fungsi pengaktifan memainkan peranan penting dalam pembelajaran mendalam Ia boleh memperkenalkan ciri tak linear ke dalam rangkaian saraf, membolehkan rangkaian belajar dengan lebih baik dan mensimulasikan hubungan input-output yang kompleks. Pemilihan dan penggunaan fungsi pengaktifan yang betul mempunyai kesan penting terhadap prestasi dan hasil latihan rangkaian saraf Artikel ini akan memperkenalkan empat fungsi pengaktifan yang biasa digunakan: Sigmoid, Tanh, ReLU dan Softmax, bermula dari pengenalan, senario penggunaan, kelebihan, kelemahan dan penyelesaian pengoptimuman Dimensi dibincangkan untuk memberi anda pemahaman yang menyeluruh tentang fungsi pengaktifan. 1. Fungsi Sigmoid Pengenalan kepada formula fungsi SIgmoid: Fungsi Sigmoid ialah fungsi tak linear yang biasa digunakan yang boleh memetakan sebarang nombor nyata antara 0 dan 1. Ia biasanya digunakan untuk menyatukan

Di luar ORB-SLAM3! SL-SLAM: Adegan bertekstur lemah ringan, kegelisahan teruk dan lemah semuanya dikendalikan Di luar ORB-SLAM3! SL-SLAM: Adegan bertekstur lemah ringan, kegelisahan teruk dan lemah semuanya dikendalikan May 30, 2024 am 09:35 AM

Ditulis sebelum ini, hari ini kita membincangkan bagaimana teknologi pembelajaran mendalam boleh meningkatkan prestasi SLAM berasaskan penglihatan (penyetempatan dan pemetaan serentak) dalam persekitaran yang kompleks. Dengan menggabungkan kaedah pengekstrakan ciri dalam dan pemadanan kedalaman, di sini kami memperkenalkan sistem SLAM visual hibrid serba boleh yang direka untuk meningkatkan penyesuaian dalam senario yang mencabar seperti keadaan cahaya malap, pencahayaan dinamik, kawasan bertekstur lemah dan seks yang teruk. Sistem kami menyokong berbilang mod, termasuk konfigurasi monokular, stereo, monokular-inersia dan stereo-inersia lanjutan. Selain itu, ia juga menganalisis cara menggabungkan SLAM visual dengan kaedah pembelajaran mendalam untuk memberi inspirasi kepada penyelidikan lain. Melalui percubaan yang meluas pada set data awam dan data sampel sendiri, kami menunjukkan keunggulan SL-SLAM dari segi ketepatan kedudukan dan keteguhan penjejakan.

Pembenaman ruang terpendam: penjelasan dan demonstrasi Pembenaman ruang terpendam: penjelasan dan demonstrasi Jan 22, 2024 pm 05:30 PM

Pembenaman Ruang Terpendam (LatentSpaceEmbedding) ialah proses memetakan data berdimensi tinggi kepada ruang berdimensi rendah. Dalam bidang pembelajaran mesin dan pembelajaran mendalam, pembenaman ruang terpendam biasanya merupakan model rangkaian saraf yang memetakan data input berdimensi tinggi ke dalam set perwakilan vektor berdimensi rendah ini sering dipanggil "vektor terpendam" atau "terpendam pengekodan". Tujuan pembenaman ruang terpendam adalah untuk menangkap ciri penting dalam data dan mewakilinya ke dalam bentuk yang lebih ringkas dan mudah difahami. Melalui pembenaman ruang terpendam, kami boleh melakukan operasi seperti memvisualisasikan, mengelaskan dan mengelompokkan data dalam ruang dimensi rendah untuk memahami dan menggunakan data dengan lebih baik. Pembenaman ruang terpendam mempunyai aplikasi yang luas dalam banyak bidang, seperti penjanaan imej, pengekstrakan ciri, pengurangan dimensi, dsb. Pembenaman ruang terpendam adalah yang utama

Fahami dalam satu artikel: kaitan dan perbezaan antara AI, pembelajaran mesin dan pembelajaran mendalam Fahami dalam satu artikel: kaitan dan perbezaan antara AI, pembelajaran mesin dan pembelajaran mendalam Mar 02, 2024 am 11:19 AM

Dalam gelombang perubahan teknologi yang pesat hari ini, Kecerdasan Buatan (AI), Pembelajaran Mesin (ML) dan Pembelajaran Dalam (DL) adalah seperti bintang terang, menerajui gelombang baharu teknologi maklumat. Ketiga-tiga perkataan ini sering muncul dalam pelbagai perbincangan dan aplikasi praktikal yang canggih, tetapi bagi kebanyakan peneroka yang baru dalam bidang ini, makna khusus dan hubungan dalaman mereka mungkin masih diselubungi misteri. Jadi mari kita lihat gambar ini dahulu. Dapat dilihat bahawa terdapat korelasi rapat dan hubungan progresif antara pembelajaran mendalam, pembelajaran mesin dan kecerdasan buatan. Pembelajaran mendalam ialah bidang khusus pembelajaran mesin dan pembelajaran mesin

Super kuat! 10 algoritma pembelajaran mendalam teratas! Super kuat! 10 algoritma pembelajaran mendalam teratas! Mar 15, 2024 pm 03:46 PM

Hampir 20 tahun telah berlalu sejak konsep pembelajaran mendalam dicadangkan pada tahun 2006. Pembelajaran mendalam, sebagai revolusi dalam bidang kecerdasan buatan, telah melahirkan banyak algoritma yang berpengaruh. Jadi, pada pendapat anda, apakah 10 algoritma teratas untuk pembelajaran mendalam? Berikut adalah algoritma teratas untuk pembelajaran mendalam pada pendapat saya Mereka semua menduduki kedudukan penting dari segi inovasi, nilai aplikasi dan pengaruh. 1. Latar belakang rangkaian saraf dalam (DNN): Rangkaian saraf dalam (DNN), juga dipanggil perceptron berbilang lapisan, adalah algoritma pembelajaran mendalam yang paling biasa Apabila ia mula-mula dicipta, ia dipersoalkan kerana kesesakan kuasa pengkomputeran tahun, kuasa pengkomputeran, Kejayaan datang dengan letupan data. DNN ialah model rangkaian saraf yang mengandungi berbilang lapisan tersembunyi. Dalam model ini, setiap lapisan menghantar input ke lapisan seterusnya dan

Cara menggunakan model hibrid CNN dan Transformer untuk meningkatkan prestasi Cara menggunakan model hibrid CNN dan Transformer untuk meningkatkan prestasi Jan 24, 2024 am 10:33 AM

Rangkaian Neural Konvolusi (CNN) dan Transformer ialah dua model pembelajaran mendalam berbeza yang telah menunjukkan prestasi cemerlang pada tugasan yang berbeza. CNN digunakan terutamanya untuk tugas penglihatan komputer seperti klasifikasi imej, pengesanan sasaran dan pembahagian imej. Ia mengekstrak ciri tempatan pada imej melalui operasi lilitan, dan melakukan pengurangan dimensi ciri dan invarian ruang melalui operasi pengumpulan. Sebaliknya, Transformer digunakan terutamanya untuk tugas pemprosesan bahasa semula jadi (NLP) seperti terjemahan mesin, klasifikasi teks dan pengecaman pertuturan. Ia menggunakan mekanisme perhatian kendiri untuk memodelkan kebergantungan dalam jujukan, mengelakkan pengiraan berjujukan dalam rangkaian saraf berulang tradisional. Walaupun kedua-dua model ini digunakan untuk tugasan yang berbeza, ia mempunyai persamaan dalam pemodelan jujukan, jadi

Algoritma RMSprop yang dipertingkatkan Algoritma RMSprop yang dipertingkatkan Jan 22, 2024 pm 05:18 PM

RMSprop ialah pengoptimum yang digunakan secara meluas untuk mengemas kini berat rangkaian saraf. Ia telah dicadangkan oleh Geoffrey Hinton et al pada tahun 2012 dan merupakan pendahulu pengoptimum Adam. Kemunculan pengoptimum RMSprop adalah terutamanya untuk menyelesaikan beberapa masalah yang dihadapi dalam algoritma penurunan kecerunan SGD, seperti kehilangan kecerunan dan letupan kecerunan. Dengan menggunakan pengoptimum RMSprop, kadar pembelajaran boleh dilaraskan dengan berkesan dan pemberat dikemas kini secara adaptif, dengan itu meningkatkan kesan latihan model pembelajaran mendalam. Idea teras pengoptimum RMSprop adalah untuk melaksanakan purata wajaran kecerunan supaya kecerunan pada langkah masa yang berbeza mempunyai kesan yang berbeza pada kemas kini berat. Secara khusus, RMSprop mengira kuasa dua setiap parameter

See all articles