神經網路的複雜關係推理，什麼是關係推理？考慮下面的影象。幾乎不可能不把它當作物件;球體，立方體等等。我們可以根據構成影象畫素值的數百萬個數字來考慮它。或者影象中所有邊緣的角度。或者考慮每個10x10畫素區域。相反，我們直觀地根據它們識別影象的物件和原因。
嘗試回答以下問題：「大球體剩下的棕色金屬物體剩下的圓柱體大小是多少？」這是clevr資料集中的乙個示例問題。為了回答這個問題，你需要考慮物體相對於彼此的相對位置。這種以物件和互動為中心的思維被稱為關係推理，它是人類智慧型的核心部分。
深度神經網路非常善於識別物體，但是當涉及到他們的相互作用的推理時，即使是最先進的神經網路也在努力。例如，現有技術的卷積網路可以容易地識別上述影象中的每個物件，但是由於需要關於彼此相關的物件的推理而未能嘗試回答該問題。
關係網路
關係網路（rn）它是乙個簡單的模組，可以為任何神經網路新增關係推理能力。他們將rn新增到其他標準卷積網路中，並在clevr資料集上實現超人類效能。
rn是向前邁出的重要一步，但它有一定的侷限性。構造它的方式，每個識別的物件只能與其他識別的物件進行一次互動，之後網路必須給出答案。這限制了rn，因為它無法推斷匯出的互動，即影響物件b的物件a，而物件a又影響物件c，等等。在rn中，物件a必須直接影響物件c，或者根本不影響物件c.通過與物件b的互動不是一種選擇。
迴圈關係網路
為了解決這個限制，我們引入了迴圈關係網路（rrn）。rrn不是僅執行關係推理的單個步驟，而是執行多個步驟。在每個步驟中，每個物件都受到彼此物件的影響，同時還考慮到它自己的先前狀態。這允許互動從乙個物件傳播到下乙個物件，形成複雜的互動鏈。（歡迎**分享）
深度神經網路
關於卷積神經網路cnn，網路和文獻中有非常多的資料，我在工作 研究中也用了好一段時間各種常見的model了，就想著簡單整理一下，以備查閱之需。如果讀者是初接觸cnn，建議可以先看一看 deep learning 深度學習 學習筆記整理系列 中關於cnn的介紹 1 是介紹我們常說的lenet為例，相信...
使用深度神經網路識別衛星資料
給定的資料在 point data.csv 檔案裡，這個資料總共包含了5個類別 由class id來區分 幷包括10個特徵。在這裡，我們需要搭建多層的神經網路，並利用這個網路來識別分類。首先是匯入所有所需的library 匯入library import numpy as np import mat...
機器學習，深度學習，神經網路，深度神經網路
先來說一下這幾者之間的關係 人工智慧包含機器學習，機器學習包含深度學習 是其中比較重要的分支 深度學習源自於人工神經網路的研究，但是並不完全等於傳統神經網路。所以深度學習可以說是在傳統神經網路基礎上的公升級。神經網路一般有輸入層 隱藏層 輸出層，一般來說隱藏層大於2的神經網路就叫做深度神經網路，深度...