شبکه های پیچیده عمیق Deep Complex Networks

شبکه های پیچیده عمیق نوعی از شبکه های عصبی هستند که از اعداد مختلط به جای اعداد واقعی برای عملیات و نمایش خود استفاده می کنند [۱].

 آنها پتانسیل ارائه ظرفیت بازنمایی غنی تر و تسهیل مکانیسم های بازیابی حافظه با نویز قوی را دارند [۱].

 با این حال، آنها به دلیل عدم وجود بلوک های ساختمانی مورد نیاز برای طراحی چنین مدل هایی به حاشیه رفته اند [۱].

 کار اخیر مولفه‌های اتمی کلیدی را برای شبکه‌های عصبی عمیق با ارزش پیچیده ارائه کرده و آن‌ها را در شبکه‌های پیش‌خور کانولوشنی به کار گرفته است [۱-۲-۳].

برخی از ویژگی های کلیدی شبکه های پیچیده عمیق عبارتند از:

• کانولوشن های پیچیده: به جای کانولوشن های واقعی از کانولوشن های پیچیده استفاده می شود [۱].
• نرمال سازی دسته ای پیچیده: الگوریتم هایی برای نرمال سازی دسته ای پیچیده ایجاد شده است [۱].
• استراتژی های اولیه سازی وزن پیچیده: استراتژی هایی برای مقداردهی اولیه وزن های پیچیده ایجاد شده است [۱].

چندین مخزن در GitHub وجود دارد که پیاده سازی شبکه های پیچیده عمیق را ارائه می دهد [۴-۵].

 یادگیری عمیق دینامیک سرایت در شبکه های پیچیده یکی دیگر از زمینه هایی است که شبکه های پیچیده عمیق در آن به کار گرفته شده اند [۶].

مراجع

1. Deep Complex Networks - OpenReview

2. [1705.09792] Deep Complex Networks - arXiv

3. [PDF] DEEP COMPLEX NETWORKS - OpenReview

4. russellgeum/Deep-Complex-Networks: (NOT Official) Implementation Deep Comple Networks and Plug-in module (e.g. Neural Preprocessing Layer) (ICLR 2018) - GitHub

5. ChihebTrabelsi/deep_complex_networks: Implementation related to the Deep Complex Networks - GitHub

6. Deep learning of contagion dynamics on complex networks | Nature Communications

یادگیری عمیق Deep Learning

مقدمه ای بر یادگیری عمیق

یادگیری عمیق یک تکنیک یادگیری ماشین است که به سیستم ها یاد می دهد آنچه را که برای انسان طبیعی  است و انسان می تواند آن را تشخیص دهد، مانند انسان انجام دهند و این یادگیری  بر اساس مثال و نمونه است. یادگیری عمیق یک فناوری اصولی در پشت خودروهای خودران است که به ماشین این امکان را می دهد که علامت توقف را تشخیص دهند یا عابر پیاده را از چراغ تشخیص دهد. یادگیری عمیق اخیراً مورد توجه قرار گرفته است و یادگیری عمیق به نتایجی دست پیدا کرده که قبلاً امکان پذیر نبود. در یادگیری عمیق، یک مدل رایانه یاد می گیرد که کارهای طبقه بندی را مستقیماً از طریق تصاویر، متن یا صدا انجام دهد. مدل های یادگیری عمیق می توانند به دقت خیلی زیادی دست پیدا کند، گاهی اوقات از عملکرد سطح انسانی فراتر می روند.