Sta znaci na Srpskom CONVOLUTIONAL - prevod na Српском

• увијених
• konvolucione
• увијене
• конволуционалне
• конволуцијски

Примери коришћења Convolutional на Енглеском и њихови преводи на Српски

Convolutional Neural Networks.
Увијене неуронске мреже.

In this episode, I explore deep learning and convolutional neural networks.
Teme su uvod u duboko učenje i konvolucione neuralne mreže.

Convolutional deep belief networks.
Увијене мреже дубоког уверења.

This course is about deep learning fundamentals and convolutional neural networks.
Teme su uvod u duboko učenje i konvolucione neuralne mreže.

Every convolutional layer has an additional max pooling.
Сваки увијени слој има додатни max pooling.

A recent achievement in deep learning is the use of convolutional deep belief networks(CDBN).
Недавно достигнуће у дубокој мрежи учења је коришћење увијених мрежа дубоког учења( CDBN).

Some layers are convolutional, while others are fully connected.
Неки слојеви су увијени док су остали потпуно повезани.

A wide variety of ECCs have been developed, but they generally can be classified into two main types: block and convolutional.
Развијен је широк спектар ЕЦЦ-а, али они се генерално могу сврстати у два главна типа: блок и конволуцијски.

Convolutional codes, by contrast, continuously add redundant bits and have an arbitrary length.
Конволуциони кодови, напротив, континуирано додају редундантне битове и имају произвољну дужину.

CDBNs have structure very similar to a convolutional neural networks and are trained similar to deep belief networks.
( CDBN) има структуру веома сличну увијеним неуронским мрежама и оне су трениране слично са мрежама дубоког веровања.

Convolutional neural networks(CNNs) were superseded for ASR by CTC for LSTM. but are more successful in computer vision.
Конволуционалне неуронске мреже( CNN) су замењене са ASR од стране CTC за LSTM, али су успешније у рачунарском виду.

In particular, max-pooling[37] is often used in Fukushima's convolutional architecture.[26] This architecture allows CNNs to take advantage of the 2D structure of input data.
Нарочито max-pooling[ 37] се често користио у Fukushima увијеној архитектури.[ 26] Ова архитектура дозвољава CNN да узме предности 2D структуре улазних података.

However linear coding is not sufficient in general(e.g. multisource, multisink with arbitrary demands), even for more general versions of linearity such as convolutional coding and filter-bank coding.
Међутим, линеарно кодирање није довољно уопштено, чак и за општије верзије линеарности као што су сверливно кодирање и кодирање филтер-банке.

The DeepMind system used a deep convolutional neural network, with layers of tiled convolutional filters to mimic the effects of receptive fields.
Систем" DeepMind"- а је користио дубоку конволуциону неуронску мрежу, са слојевима поплочаних конволуционих филтера да опонашају ефекте рецептивних поља.

The Viterbi algorithm is named after Andrew Viterbi, who proposed it in 1967 as a decoding algorithm for convolutional codes over noisy digital communication links.
Витербијев алгоритам је добио име по Ендруу Витербију, који га је предложио 1967. као декодирајући алгоритам конвулционих кодова за исправљање шума у дигиталној комуникацији.

In comparison with other deep architectures, convolutional neural networks have shown superior results in both image and speech applications. They can also be trained with standard backpropagation.
У поређењу са осталим дубоким архитектурама, увијене неуронске мреже показале су боље резултате у препознавању слика као и у апликацији препознавања говора.

Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E.(2017-05-24)."ImageNet classification with deep convolutional neural networks"(PDF). Communications of the ACM.
Quartz. CS1 одржавање: Формат датума( веза) 1 2 3 4 5 Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E.( 2017-05-24).„ ImageNet classification with deep convolutional neural networks”( PDF).

AlexNet is the name of a convolutional neural network(CNN) architecture, designed by Alex Krizhevsky in collaboration with Ilya Sutskever and Geoffrey Hinton, who was Krizhevsky's Ph.D. advisor.[1][2].
AlexNet је назив архитектуре конволуционе неуронске мреже( CNN), коју је дизајнирао Alex Krizhevsky у сарадњи са Ilya Sutskever и Geoffrey Hinton, који је био саветник за докторат Крижевског.[ 1][ 2].

Another option, turbo code, is a block code built from two or more relatively simple convolutional codes plus interleaving that creates a more uniform distribution of errors.
Друга опција, турбо код, је блок код који је изграђен од два или више релативно једноставних конволуционих кодова плус преплетање које ствара равномернију дистрибуцију грешака.

On 30 September 2012, a convolutional neural network(CNN) called AlexNet[7] achieved a top-5 error of 15.3% in the ImageNet 2012 Challenge, more than 10.8 percentage points lower than that of the runner up.
Септембра 2012. године, конволуциона неуронска мрежа( CNN) под називом AlexNet[ 1] постигла је грешку првих 5 од 15, 3% у ImageNet 2012 изазову, што је више од 10, 8 процената мање него код другопласираног.

A best of both worlds approach combines the two types in concatenated coding schemes, in which the convolutional code performs the primary correction work and the block code subsequently catches leftover errors.
Најбољи приступ из оба свијета комбинира два типа у спојеним схемама кодирања, у којима конволуцијски код изводи рад примарне корекције, а блок код накнадно хвата преостале грешке.

Unlike DBNs and deep convolutional neural networks, they adopt the inference and training procedure in both directions, bottom-up and top-down pass, which allow the DBMs to better unveil the representations of the ambiguous and complex input structures.[165][166].
За разлику од DBN и дубоких увијених неуронских мрежа, они прихватају закључак и тренинг у оба правца, од дна до врха и од врха до дна, што омогућава DBM да боље представљање двосмислене и комплексне структуре довођења.[ 165][ 166].

CNNs have become the method of choice for processing visual and other two-dimensional data.[31][66] A CNN is composed of one or more convolutional layers with fully connected layers(matching those in typical artificial neural networks) on top.
CNN је постао метода избора за процесирање визуелног и друга два димензионална податка.[ 31][ 66] СNN је састављена од једног или више увијених слојева са потпуно повезаним слојевима на врху.

In that work, an LSTM recurrent neural network(RNN) or convolutional neural network(CNN) was used as an encoder to summarize a source sentence, and the summary was decoded using a conditional recurrent neural network language model to produce the translation.[217] All these systems have the same building blocks: gated RNNs and CNNs, and trained attention mechanisms.
У том раду, LSTM повратне неуронске мреже( RNN) или савитљива неуронска мрежа( CNN) су биле коришћене као шифра за сумирање извора реченице, а сумирање је било дешифровано коришћењем условног повратног модела неуронске мреже језика да произведу( омогуће) превођење.[ 217] Сви ови системи имају исте изграђене блокове: капије( вратнице, улазно коло) RNN и CNN и тренирање механичке пажње.

Unlike previous models based on HMMs and similar concepts, LSTM can learn to recognise context-sensitive languages.[105] LSTM improved machine translation,[106] Language modeling[107] and Multilingual Language Processing.[108] LSTM combined with Convolutional Neural Networks(CNNs) also improved automatic image captioning[139] and a plethora of other applications.
За разлику од претходних модела, LSTM може да научи да препознаје контекстуални језик.[ 105] LSTM је побољшао машинско преођење,[ 106] Језик за моделирање[ 107] и језик обраду.[ 108] LSTM комбинован са увијеним неуронским мрежама СNN такође је унапредио аутоматкси наслов слике[ 139] и многе друге апликације.

This research indicated that the approach based on using convolutional neural networks and methods of deep learning to identify a writer's gender, is the most optimal.
Резултати овог истраживања показали су да прилаз заснован на коришћењу конволуционалне неуронске мреже и метода дубоке обуке за распознавање пола аутора текста даје оптималне резултате.

LAMSTAR had a much faster computing speed and somewhat lower error than a convolutional neural network based on ReLU-function filters and max pooling, in a comparative character recognition study.[158].
LAMSTAR има много већу рачунајућу брзину и понекад мање грешака од увијених неуронских мрежа заснованим на ReLU функцији и max pooling, у студији препознавања карактера.[ 158].

The algorithm has found universal application in decoding the convolutional codes used in both CDMA and GSM digital cellular, dial-up modems, satellite, deep-space communications, and 802.11 wireless LANs.
Алгоритам је нашао универзалну примену у декодирању конвулционих кодова, који се користе у ЦДМА и ГСМ дигиталним мобилним телефонима, дајл-ап модемима, сателитима, комуникацији у дубоком свемиру, и 802. 11 бежичном ЛАН-у.