Просмотреть запись

Способы улучшения работоспособности элементов нейронной сети на примере перцептрона

Электронный научный архив УРФУ

Информация об архиве | Просмотр оригинала
 
 
Поле Значение
 
Заглавие Способы улучшения работоспособности элементов нейронной сети на примере перцептрона
 
Автор Бычков, А. Г.
Киселёва, Т. В.
Маслова, Е. В.
 
Тематика МАШИННОЕ ОБУЧЕНИЕ
НЕЙРОННЫЕ СЕТИ
ОПТИМИЗАЦИЯ АЛГОРИТМОВ
ОБРАБОТКА ИСХОДНЫХ ДАННЫХ
MACHINE LEARNING
NEURAL NETWORKS
ALGORITHM OPTIMIZATION
INITIAL DATA PROCESSING
 
Описание В работе рассматривалась структура нейрона и математические методы, используемые для подсчёта его значений. Для ускорения работы по расчётам этих значений предложены более эффективные методы расчёта градиента на этапе обратного прохода. Также рассматривались различные способы оптимизации исходного набора данных, что тоже влияет на скорость работы алгоритмов.
The work considered the structure of a neuron and the mathematical methods used to calculate its values. To speed up the work on calculating these values, more efficient methods for calculating the gradient at the back pass stage are proposed. Various ways of optimizing the initial data set were also considered, which also affects the speed of the algorithms.
 
Дата 2022-11-17T12:31:38Z
2022-11-17T12:31:38Z
2022
 
Тип Conference Paper
Conference object (info:eu-repo/semantics/conferenceObject)
Published version (info:eu-repo/semantics/publishedVersion)
 
Идентификатор Бычков А. Г. Способы улучшения работоспособности элементов нейронной сети на примере перцептрона / А. Г. Бычков, Т. В. Киселёва, Е. В. Маслова // Теплотехника и информатика в образовании, науке и производстве : сборник докладов X Всероссийской научно-практической конференции студентов, аспирантов и молодых учёных (TИМ’2022) с международным участием (Екатеринбург, 19–20 мая 2022 г.). — Екатеринбург: УрФУ, 2022. — С. 199-205.
978-5-6044322-7-3
http://elar.urfu.ru/handle/10995/119230
 
Язык ru
 
Связанные ресурсы Теплотехника и информатика в образовании, науке и производстве (ТИМ'2022). — Екатеринбург, 2022
 
Формат application/pdf
 
Издатель УрФУ