It is implemented as one of the leading algorithms in deep neural netw的简体中文翻译

It is implemented as one of the lea

It is implemented as one of the leading algorithms in deep neural network, serving images processing purpose. CNN are inspired by biological visual nerves, in the visual producing procedure of animals, a single cortical neuron is responsible for only a small area of the field of view, this area will be stimulated like nerve impulses into the next layer of neurons. Different sensory areas of the optic nerve are different, covering the entire field of view through the superposition of all neuronal sensory areas of the fundus. Convolutional neural network neurons in the same layer process only a certain area of the image, the next layer of neurons can receive signals on a layer of neurons, so as to obtain a wider range of image information, more and more image information is obtained by superimposing multi-layer convolution. Compared with the traditional image classification algorithm, CNN requires less human intervention, so as to avoid the dependence of previous knowledge and the noise from human bias and omissions in the manual feature design. CNN consist of input and output layers, as well as multiple hidden layers. The hidden layer of CNN generally includes a convolutional layer, a Relu layer (activation function layer), a pooled layer, a fully connected layer, and a normalized layer. Compared with other deep learning algorithms, convolutional neural networks need to adjust fewer parameters, while having a greater performance, which makes it a commonly used deep learning structure [25].
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
它被实现为深度神经网络中的领先算法之一,用于图像处理目的。CNN受生物视觉神经的启发,在动物的视觉产生过程中,单个皮质神经元仅负责小范围的视野,该区域像神经冲动一样被刺激到下一层神经元。视神经的不同感觉区域是不同的,通过眼底所有神经元感觉区域的叠加覆盖了整个视野。在同一层中的卷积神经网络神经元仅处理图像的特定区域,下一层神经元可以在一层神经元上接收信号,从而获得更广泛的图像信息,通过叠加多层卷积。与传统的图像分类算法相比,CNN所需的人工干预更少,从而避免了先前知识的依赖以及人工特征设计中人为偏见和遗漏带来的噪声。CNN由输入和输出层以及多个隐藏层组成。CNN的隐藏层通常包括卷积层,Relu层(激活功能层),合并层,完全连接层和规范化层。与其他深度学习算法相比,卷积神经网络需要调整较少的参数,同时具有更高的性能,这使其成为常用的深度学习结构[25]。从而避免了对先前知识的依赖以及人为特征设计中人为偏见和遗漏带来的噪音。CNN由输入和输出层以及多个隐藏层组成。CNN的隐藏层通常包括卷积层,Relu层(激活功能层),合并层,完全连接层和规范化层。与其他深度学习算法相比,卷积神经网络需要调整较少的参数,同时具有更高的性能,这使其成为常用的深度学习结构[25]。从而避免了对先前知识的依赖以及人为特征设计中人为偏见和遗漏带来的噪音。CNN由输入和输出层以及多个隐藏层组成。CNN的隐藏层通常包括卷积层,Relu层(激活功能层),合并层,完全连接层和规范化层。与其他深度学习算法相比,卷积神经网络需要调整较少的参数,同时具有更高的性能,这使其成为常用的深度学习结构[25]。
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
它作为深度神经网络中的领先算法之一,服务于图像处理目的。CNN的灵感来自生物视觉神经,在动物的视觉产生过程中,单个皮质神经元只负责一小块视野,这个区域会像神经冲动一样被刺激到下一层神经元中。视神经的不同感觉区域不同,通过叠加基金的所有神经元感官区域覆盖整个视野。卷积神经网络神经元在同一层过程中只有图像的某一区域,下一层神经元可以在一层神经元上接收信号,从而获得更广泛的图像信息,越来越多的图像信息是通过叠加多层卷积获得的。与传统的图像分类算法相比,CNN 需要较少的人为干预,以避免以前知识的依赖性以及手动功能设计中人类偏见和遗漏的噪音。CNN 由输入和输出层以及多个隐藏层组成。CNN 的隐藏层通常包括卷积层、Relu 层(激活功能层)、聚合层、完全连接层和规范化层。与其他深度学习算法相比,卷积神经网络需要调整更少的参数,同时具有更大的性能,这使得它成为常用的深度学习结构 [25] 。
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
它是深度神经网络的主要算法之一,为图像处理服务。CNN受生物视觉神经的启发,在动物的视觉产生过程中,单个皮层神经元只负责视野的一小部分,这个区域会像神经脉冲一样被刺激进入下一层神经元。视神经的不同感觉区是不同的,通过眼底所有神经元感觉区的叠加,覆盖整个视野。卷积神经网络中的神经元在同一层只处理一定面积的图像,下一层神经元可以接收到某一层神经元上的信号,从而获得更大范围的图像信息,越来越多的图像信息是通过叠加多层卷积得到的。与传统的图像分类算法相比,CNN算法需要较少的人工干预,避免了人工特征设计中对先验知识的依赖和人为偏误和遗漏带来的噪声。CNN由输入层和输出层以及多个隐藏层组成。CNN的隐藏层一般包括卷积层、Relu层(激活功能层)、池层、全连接层和归一化层。与其他深度学习算法相比,卷积神经网络需要调整的参数更少,同时具有更高的性能,这使得它成为一种常用的深度学习结构[25]。<br>
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: