مشاهده مشخصات مقاله
به سوی تحمل‌پذیری اشکال در شبکههای عصبی عمیق با کمک هرس مدل
|
نویسنده (ها) |
-
ستاره احصایی
-
محسن راجی
-
بهنام قوامی
|
|
مربوط به کنفرانس |
بیست و هفتمین کنفرانس بین الملی انجمن کامپیوتر ایران |
|
چکیده |
افزایش اندازه مدل و تعداد پارامترها در شبکههای عصبی عمیق، از یک سو موجب پیشرفتهای زیادی در عملکرد این شبکهها شده و از سوی دیگر باعث بروز چالش‌هایی از قبیل افزایش اندازه حافظه می‌گردد. در هرس مدل، با حذف برخی پارامترهای شبکه، ضمن حفظ دقت مدل، اندازه آن کاهش داده میشود. با بهکارگیری این شبکهها در سیستم‌های حساس-از-منظر-ایمنی، تاثیر هرس مدل که به طور سنتی با هدف کاهش اندازه شبکه استفاده میشود، بر تحمل‌پذیری اشکال شبکهها مورد سوال جدی قرار گرفته است. در این مقاله، به کمک آزمایشهای گسترده تزریق اشکال، تحلیل جامعی بر میزان تاثیر روشهای مختلف هرس بر تحمل‌پذیری اشکال شبکههای عصبی عمیق ارائه میشود. مدل اشکال مورد مطالعه، خطاهای نرم واژگونی بیتی است که در حافظه ذخیرهساز وزنهای شبکه رخ میدهد و باعث تغییر مقدار وزنهای شبکه می‌گردد. باتوجه به نتایج به‌دست‌آمده از آزمایشهای متنوع تزریق اشکال بر روی شبکه AlexNet که به روشهای مختلف هرس شده است، میتوان نتیجه گرفت که به طور کلی، هرس کردن مدل باعث بهبود تحمل‌پذیری اشکال میشود و میتوان از آن به منظور بهبود تحمل‌پذیری شبکههای عصبی عمیق هم بهره گرفت. از میان روشهای مختلف هرس مدل، هرس وزنی بیشترین میزان بهبود تحمل‌پذیری اشکال را دارد. |
|
قیمت |
-
برای اعضای سایت : ۱٠٠,٠٠٠ ریال
-
برای دانشجویان عضو انجمن : ۲٠,٠٠٠ ریال
-
برای اعضای عادی انجمن : ۴٠,٠٠٠ ریال
|
خرید مقاله
|
|
.gif){kind=icon}