1.065398

0.086389

0.584296

0.126928

Характеристики або атрибути, які описують кожен зразок даних.

Типи моделей, які використовуються для навчання.

Метрики оцінки продуктивності.

Типи алгоритмів класифікації.

0.11

0.32

0.15

0.22

GRU не має окремого стану пам’яті, на відміну від LSTM.

GRU використовує більше гейтів, ніж LSTM.

GRU працює лише з короткими послідовностями.

GRU використовує більше обчислювальних ресурсів, ніж LSTM.

Вектори створюються вручну для кожного слова у словнику.

Для кожного слова створюється вектор, який оновлюється в процесі навчання.

Шар Embedding генерує статичні вектори для кожного слова, які не змінюються під час навчання.

Текст розбивається на символи та токени, які безпосередньо обробляються моделлю.

Перетворення слів у їхні семантичні синоніми.

Розбиття тексту на окремі слова, символи або n-грамми.

Створення багатовимірних векторів для кожного слова.

Обчислення частоти кожного слова в тексті.

відображенні карт ознак,

які виводяться нейромережевим класифікатором в мережі у відповідь на певні

вхідні дані

відображенні середніх значень

ознак, які виводяться різними згортковими та об’єднуючими шарами в мережі у

відповідь на певні вхідні дані

відображенні карт ознак,

які виводяться різними згортковими та об’єднуючими шарами в мережі у відповідь

на певні вхідні дані

відображенні максимальних

значень ознак, які виводяться різними згортковими та об’єднуючими шарами в

мережі у відповідь на певні вхідні дані

для перекодування скалярних

міток зображень у вектори з 1 у позиції, яка відповідає номеру класу зображення,

та 0 у всіх інших позиціях

для перекодування векторних

міток зображень у скалярні зі значеннями 0 та 1

для перекодування скалярних

міток зображень у вектори з 0 у позиції, яка відповідає номеру класу зображення

та 1 у всіх інших позиціях

для перекодування скалярних

міток зображень з формату

тензори (32, 32, 3) з

числами у форматі

тензори (32, 32, 3) з

числами у форматі

тензори (32, 32, 3) з

числами у форматі

тензори (32, 32, 3) з

числами у форматі

мережа, у якої функції активації нейронів є пороговими

мережа, у якої коефіцієнти зв’язків між нейронами збільшуються від входу до виходу

мережа, у якої дані поширюються через шари від входу до виходу

мережа, у якої дані поширюються через шари від виходу до входу