உள்ளடக்கத்திற்குச் செல்க
←படைப்புத் தொகுப்பிற்குத் திரும்பு
  1. முகப்பு
  2. / திட்டங்கள்
  3. / Residual Learning Study

படைப்புக் குறிப்புகள் · Goh Kun Ming

Residual Learning Study

ஆராய்ச்சி · arXiv முன்வெளியீடு · 2025

திட்டக் கண்ணோட்டம்

குறுக்குவழி இணைப்புகள் ஆழ் வலைகளுக்கு எவ்வாறு உதவுகின்றன என்பதைப் புரிந்துகொள்ளுதல்.

Xingyu Liu உடன் இணைந்து எழுதிய 2025 arXiv முன்வெளியீடு. CIFAR-10-இல் ResNet-18 மற்றும் வழக்கமான ஆழ் CNN-ஐ ஒப்பிட்டு எச்ச இணைப்புகளை ஆராய்கிறது.

  • கணினிப் பார்வை
  • ResNet
  • CIFAR-10
  • ஆராய்ச்சி

இந்தப் படைப்பிற்குள்

  • சாய்வு ஓட்டத்தில் எச்ச இணைப்புகளின் பங்கை ஆராய்ந்தேன்.
  • CIFAR-10-இல் பயிற்சி நடத்தையையும் வகைப்பாட்டு முடிவுகளையும் ஒப்பிட்டேன்.
  • செயலாக்கத்தையும் மதிப்பீட்டையும் பொதுவான முன்வெளியீட்டில் ஆவணப்படுத்தினேன்.

திட்டக் கோப்புகள்

அசல் திட்டக் கோப்புகள் ஆங்கிலத்தில் உள்ளன.

  • ஆராய்ச்சி முன்வெளியீடு

    PDF · 481 kB

    Xingyu Liu, Kun Ming Goh arXiv:2510.24036v1 CC BY 4.0

    ஆவண முன்னோட்டம்

    உலாவ பக்கக் கட்டுப்பாடுகளைப் பயன்படுத்தவும். விவரங்களைப் படிக்க ஒரு பக்கத்தைப் பெரிதாக்கவும்.

    ஆவணம் ஏற்றப்படுகிறது…

    முழு அளவில் பக்கத்தைத் திறக்கவும் ↗

    பெரிதாக்கிய பிறகு, மேலும் பார்க்க பக்கத்திற்குள் உருட்டவும்.

    பக்க உரை

    மூல ஆங்கில ஆவணத்திலிருந்து உரை பிரித்தெடுக்கப்பட்டுள்ளது. விளக்கப்படங்கள், படங்கள் மற்றும் வாசிப்பு வரிசையின் சூழலைப் புரிந்துகொள்ள PDF தேவைப்படலாம்.

    PDF-ஐப் பார் ↗ PDF-ஐப் பதிவிறக்கு ↓

மூலக் குறியீடும் இணைப்புகளும்

முன்வெளியீட்டைப் படிக்கவும்↗
திட்டப் பெட்டியைப் பாருங்கள் →
தனியுரிமைவிதிமுறைகள்பாதுகாப்புஅணுகல்தன்மை மூன்றாம் தரப்பு அறிவிப்புகள்

சுயாதீனப் பணித்தொகுப்பு. இது Minecraft-இன் அதிகாரப்பூர்வ வலைத்தளம் அல்ல. Mojang அல்லது Microsoft இதற்கு ஒப்புதல் அளிக்கவில்லை; அவற்றுடன் இதற்குத் தொடர்பும் இல்லை.

இந்த உலகை விட்டு வெளியேறவா?

நீங்கள் மற்றொரு வலைத்தளத்தைத் திறக்கவுள்ளீர்கள்.

செல்லும் இடம்
முழு இணைப்பு