freepeople性欧美熟妇, 色戒完整版无删减158分钟hd, 无码精品国产vα在线观看DVD, 丰满少妇伦精品无码专区在线观看,艾栗栗与纹身男宾馆3p50分钟,国产AV片在线观看,黑人与美女高潮,18岁女RAPPERDISSSUBS,国产手机在机看影片

正文內(nèi)容

qccnn量子類神經(jīng)網(wǎng)路架構(gòu)-wenkub

2023-04-24 11:16:32 本頁面
 

【正文】 de correlation類神經(jīng)網(wǎng)路,簡稱為QCCNN。同樣地,當相關(guān)值增加緩慢時,第二階段學習程序便中止,並且把此隱藏神經(jīng)元的權(quán)重凍結(jié)。而我們只要再對 CCNN 類神經(jīng)網(wǎng)路的自動建構(gòu)演算法做些修改的話,我們也可以將量子搜尋學習法則的第一個缺點也減到最低的程度。它不像倒傳遞類神經(jīng)網(wǎng)路是同時訓練整個類神經(jīng)網(wǎng)路的權(quán)重值,它是可以依需求自動地動態(tài)建構(gòu)出多階層(multilayer)的類神經(jīng)網(wǎng)路,所以它比倒傳遞類神經(jīng)網(wǎng)路具有快速的學習速率,它可以自己決定自己的網(wǎng)路大小及架構(gòu),而且當訓練樣本集合改變時,它不需重新再建構(gòu)一個全新的網(wǎng)路架構(gòu),它可以以先前的網(wǎng)路架構(gòu)為基礎(chǔ),再繼續(xù)增建已訓練過的類神經(jīng)網(wǎng)路架構(gòu)。所以,我們或許也可以將傳統(tǒng)的解決方法應用到量子類神經(jīng)網(wǎng)路中,並解決上述的缺點。另外,對於量子搜尋學習法則來說,大的架構(gòu)也是需要較多的訓練時間及相當龐大的空間複雜度(如第二點所述),所以,太大的類神經(jīng)網(wǎng)路架構(gòu)是不妥當?shù)?;然而,太小的架?gòu)則會有訓練不足或無法訓練的現(xiàn)象產(chǎn)生,它的訓練過程可能都無法收斂,所以訓練程序是無法結(jié)束,只能靠人為中止它,另外,這樣的類神經(jīng)網(wǎng)路的分類品質(zhì)必定也不高,所以,小架構(gòu)的類神經(jīng)網(wǎng)路也是不妥當?shù)摹5诙?,當量子搜尋學習法則在尋找一組權(quán)重向量時,我們所需花費的空間複雜度(space plexity)是指數(shù)成長的(例如,若要搜尋nbits的資料空間,則所需的空間複雜度為),這對於較複雜的問題或架構(gòu)較大的量子類神經(jīng)網(wǎng)路將會是不可行的。若訓練樣本集合中含有若干的錯誤樣本,或訓練樣本含有雜訊時,過渡訓練的發(fā)生那就勢必會發(fā)生,因為我們很可能需要一個較大的量子類神經(jīng)網(wǎng)路才有機會將這些有問題的訓練樣本百分之百地分類成功,而訓練完的量子類神經(jīng)網(wǎng)路不僅記憶正確的樣本,同時也將錯誤的樣本留在記憶中,這對分類未知樣本會造成極嚴重的錯誤,所以讓全數(shù)的訓練樣本百分之百分類成功的oracle call是很不恰當?shù)摹T贜個未排序過的資料中搜尋出給定的資料,若以傳統(tǒng)搜尋演算法需要 次比較,而量子搜尋演算法 次比較。他們也成功地將量子搜尋學習法則應用在若干的實際問題上,例如,他們已經(jīng)成功地利用量子搜尋學習法則解決了 XOR 問題、iris 分類問題、lenses 分類問題及 hayesroth 問題上。這也是我們目前發(fā)現(xiàn)最可行的量子學習法則。我們發(fā)現(xiàn)這是一個確實可行且合乎量子理論的量子學習法則。目前已提出的量子類神經(jīng)網(wǎng)路類似於傳統(tǒng)類神經(jīng)網(wǎng)路的論述有,其它的模型則與傳統(tǒng)類神經(jīng)網(wǎng)路差異極大,例如,quantum dot 類神經(jīng)網(wǎng)路。如果量子電腦在未來果真的成為事實,那目前科學界上有若干難解或不可能解的問題都將可能不再是難題了(例如,密碼問題)!另外,量子電腦的量子平行處理能力對於類神經(jīng)網(wǎng)路也將帶來革命性的突破,因為類神經(jīng)網(wǎng)路的平行處理特性得以藉由量子平行計算技術(shù)而完全發(fā)揮。從初步的實驗數(shù)據(jù)顯示,我們提出的QCCNN及其新學習法則確實更有效率、更可行。但從研究中,我們發(fā)現(xiàn)到多數(shù)的模型只是個構(gòu)想,並沒有提出明確而完整的量子學習法則;只有少數(shù)模型有提出量子學習法則,但是我們也發(fā)現(xiàn)到這些學習法則是不可行的,因為它們都不能真正的符合量子理論。而從目前已被提出的量子類神經(jīng)網(wǎng)路的學習法則中,我們發(fā)現(xiàn)到Dan Ventura 和 Tony Martinez 提出的以量子搜尋演算法(quantum search algorithm)為基礎(chǔ)的學習法則是最可行的(在論文中,我們將稱此學習法則為量子搜尋學習法則);但這個量子學習法則卻仍存在若干個缺陷,使得這個學習演算法仍有改進之處。關(guān)鍵字:cascade correlation 類神經(jīng)網(wǎng)路、量子類神經(jīng)網(wǎng)路、量子搜尋演算法、錯誤嘗試法。而以量子理論為基礎(chǔ)的類神經(jīng)網(wǎng)路則稱為量子類神經(jīng)網(wǎng)路(QNN, quantum neural networks)。而這些被提出的量子類神經(jīng)網(wǎng)路模型多數(shù)是不實用或跟本無法應用量子技術(shù)實做。貳、量子搜尋學習法則傳統(tǒng)類神經(jīng)網(wǎng)路都是藉由調(diào)整權(quán)重值來達到學習的目的,但是這種方式似乎是不適用於量子類神經(jīng)網(wǎng)路;而要訓練量子類神經(jīng)網(wǎng)路的另一個可行的方法是從所有可能的權(quán)重向量集合中,找出一組權(quán)重向量能使所有的訓練樣本能被正確地分類。他們利用量子搜尋演算法從所有可能的權(quán)重集合中找出一組權(quán)重,這組權(quán)重需可以成功且正確地分類所有的訓練樣本,而它便是訓練完成後所得到的最後權(quán)重。而且從實驗的數(shù)據(jù)上來看,這個學習法則是確實可行的,而且效能也是相當不錯。Grover的量子搜尋演算法利用一個稱為"quantum oracle call"黑盒子,和一個稱為"inversion about average"量子運算子,來逐步增大給定資料的狀態(tài)被測量到的機率。作者Ricks和Ventura為了解決這個缺陷,他們將量子搜尋演算法中的oracle call做了些許的修改,將oracle call改為不再需要全數(shù)訓練樣本被正確分類,而將oracle call設(shè)定成訓練樣本正確分類率低於100%(例如,95%)。作者也提出了片斷權(quán)重學習法則(piecewise weight learning rule)來改善此缺陷,它是以隨機選取某個神經(jīng)元來訓練其權(quán)重(其它神經(jīng)元的權(quán)重則凝結(jié)不動),所以每個神經(jīng)元的權(quán)重分開獨立訓練,而不在將整個量子類神經(jīng)網(wǎng)路的所有權(quán)重同時訓練。在他們的實驗中,他們顯示出他們的量子搜尋學習法則的效能,但他們卻沒有告訴我們,實驗中所採用的類神經(jīng)網(wǎng)路大小是如何制定的。從這些已被提出的傳統(tǒng)類神經(jīng)網(wǎng)路演算法中,
點擊復制文檔內(nèi)容
公司管理相關(guān)推薦
文庫吧 www.dybbs8.com
備案圖片鄂ICP備17016276號-1