Почему бесконечная сверточная нейронная сеть эффективнее классических нейросетей?

Некоторые причины, по которым бесконечные свёрточные нейронные сети (CNN) могут быть эффективнее классических нейросетей:

• Высокая производительность и гибкость. tproger.ru CNN способны адаптироваться к данным различного размера и типа, могут выявлять локальные признаки при распознавании любых данных и их массивов. tproger.ru
• Способность распознавать объекты независимо от положения. tproger.ru Даже если отслеживаемый предмет перемещается, искажается или частично скрыт, нейросеть идентифицирует его. tproger.ru
• Использование одних и тех же параметров фильтра для взаимодействия с разными типами данных. tproger.ru Это увеличивает скорость работы и ускоряет обучение. tproger.ru
• Меньшее количество настраиваемых весов по сравнению с полносвязной нейронной сетью. ru.wikipedia.org Одно ядро весов используется целиком для всего изображения, вместо того, чтобы делать для каждого пикселя входного изображения свои персональные весовые коэффициенты. ru.wikipedia.org
• Возможность изучать пространственные иерархии шаблонов. cdn2.mirea.ninja.storage.yandexcloud.net Первый свёрточный слой изучает небольшие локальные шаблоны, такие как края, второй — более крупные шаблоны, состоящие из признаков, возвращаемых первым слоем, и так далее. cdn2.mirea.ninja.storage.yandexcloud.net

Таким образом, CNN отличаются от классических нейросетей структурой, которая позволяет выявить важные особенности изображений, не используя при этом ручного извлечения характеристик. tproger.ru