Het jy al ooit bevraagteken hoe 'n selfbesturende motor weet wanneer om by 'n rooi lig te stop of hoe jou foon jou gesig kan identifiseer?
Dit is waar die Convolutional Neural Network of kortweg CNN inkom.
’n CNN is vergelykbaar met ’n menslike brein wat beelde kan ontleed om vas te stel wat daarin gebeur. Hierdie netwerke kan selfs dinge opspoor wat mense sou miskyk!
In hierdie pos sal ons CNN in die diep leer konteks. Kom ons kyk wat hierdie opwindende area ons kan bied!
Wat is Deep Learning?
Diep leer is 'n soort van kunsmatige intelligensie. Dit stel rekenaars in staat om te leer.
Diep leer verwerk data met behulp van ingewikkelde wiskundige modelle. Sodat 'n rekenaar patrone kan opspoor en data kan kategoriseer.
Na opleiding met baie voorbeelde, kan dit ook besluite neem.
Waarom stel ons belang in CNN's in Deep Learning?
Convolutional Neural Networks (CNN's) is 'n belangrike komponent van diep leer.
Hulle laat rekenaars toe om prente en ander te verstaan visuele data. Ons kan rekenaars oplei om patrone op te spoor en voorwerpe te identifiseer op grond van wat hulle "sien" deur CNN's in diep leer te gebruik.
CNN's tree op as diep leer-oë, wat rekenaars help om die omgewing te verstaan!
Inspirasie uit Brain's Architecture
CNN's neem hul inspirasie uit hoe die brein inligting interpreteer. Kunsmatige neurone, of nodusse, in CNN's, aanvaar insette, verwerk dit en lewer die resultaat as uitset, net soos breinneurone regdeur die liggaam doen.
Invoerlaag
Die invoerlaag van 'n standaard neurale netwerk ontvang insette in die vorm van skikkings, soos prentpiksels. In CNN's word 'n prent as invoer na die invoerlaag verskaf.
Versteekte lae
Daar is verskeie versteekte lae in CNN's, wat wiskunde gebruik om kenmerke uit die prent te onttrek. Daar is verskeie soorte lae, insluitend heeltemal gekoppelde, reggemaakte lineêre eenhede, poel- en konvolusielae.
Konvolusielaag
Die eerste laag om kenmerke uit 'n invoerprent te onttrek, is die konvolusielaag. Die invoerprent word aan filtering onderwerp, en die resultaat is 'n kenmerkkaart wat die sleutelelemente van die prent uitlig.
Pooling Later
Die poellaag word gebruik om die grootte van die kenmerkkaart te verklein. Dit versterk die model se weerstand om die ligging van die insetprent te verskuif.
Gerigte lineêre eenheidslaag (ReLU)
Die ReLU-laag word gebruik om die model nie-lineariteit te gee. Die uitset van die voorafgaande laag word deur hierdie laag geaktiveer.
Volledig gekoppelde laag
Die volledig gekoppelde laag kategoriseer die item en ken dit 'n unieke ID toe in die uitvoerlaag is die heeltemal gekoppelde laag.
CNN's is feedforward-netwerke
Data vloei slegs op een manier van insette na uitsette. Hul argitektuur is geïnspireer deur die brein se visuele korteks, wat uit afwisselende lae basiese en gesofistikeerde selle bestaan.
Hoe word CNN's opgelei?
Oorweeg dat jy probeer om 'n rekenaar te leer om 'n kat te identifiseer.
Jy vertoon baie beelde van katte terwyl jy sê: "Hier is 'n kat." Nadat hy genoeg beelde van katte gekyk het, begin die rekenaar eienskappe soos spits ore en snorbaarde herken.
Die manier waarop CNN werk, is baie soortgelyk. Verskeie foto's word op die rekenaar vertoon, en die name van die goed in elke prent word gegee.
CNN verdeel egter die beelde in kleiner stukke, soos streke. En dit leer om eienskappe in daardie streke te identifiseer eerder as om net die beelde as 'n geheel te sien.
Dus, die CNN se aanvanklike laag kan slegs basiese eienskappe soos rande of hoeke opspoor. Dan bou die volgende laag daarop om meer gedetailleerde kenmerke soos vorms of teksture te herken.
Die lae hou aan om daardie eienskappe aan te pas en te slyp soos die rekenaar meer beelde sien. Dit gaan aan totdat dit baie vaardig word om te identifiseer waarop dit ook al opgelei is, of dit katte, gesigte of enigiets anders is.
'n Kragtige Deep Learning Tool: Hoe CNN's beeldherkenning getransformeer het
Deur patrone in beelde te identifiseer en sin te maak, het CNN's beeldherkenning verander. Aangesien hulle resultate met 'n hoë mate van akkuraatheid verskaf, is CNN's die doeltreffendste argitektuur vir beeldklassifikasie, herwinning en opsporingstoepassings.
Hulle lewer dikwels uitstekende resultate. En hulle identifiseer en identifiseer voorwerpe in foto's presies in werklike toepassings.
Vind patrone in enige deel van 'n prent
Maak nie saak waar 'n patroon in 'n prent verskyn nie, CNN's is ontwerp om dit te herken. Hulle kan outomaties visuele kenmerke van enige plek in 'n prent onttrek.
Dit is moontlik danksy hul vermoë bekend as "ruimtelike invariansie." Deur die proses te vereenvoudig, kan CNN's reguit van foto's leer sonder dat dit nodig is om menslike kenmerke te onttrek.
Meer verwerkingspoed en minder geheue gebruik
CNN's verwerk prente vinniger en doeltreffender as tradisionele prosesse. Dit is 'n gevolg van die poellae, wat die aantal parameters wat benodig word om 'n prent te verwerk, verlaag.
Op hierdie manier verlaag hulle geheuegebruik en verwerkingskoste. Baie gebiede gebruik CNN's, soos; gesigsherkenning, videokategorisering en prentjie-analise. Hulle is selfs gewoond daaraan sterrestelsels te klassifiseer.
Werklike voorbeelde
Google Foto's is een gebruik van CNN's in die regte wêreld wat hulle in diens neem om mense en voorwerpe in prente te identifiseer. Verder, Blou en Amazon voorsien beeldherkenning-API's wat voorwerpe merk en identifiseer met behulp van CNN's.
'n Aanlyn koppelvlak vir die opleiding van neurale netwerke met behulp van datastelle, insluitend prentherkenningstake, word verskaf deur die diepleerplatform NVIDIA-syfers.
Hierdie toepassings wys hoe CNN'e vir 'n verskeidenheid take gebruik kan word, van kleinskaalse kommersiële gebruiksgevalle tot die organisering van 'n mens se foto's. Baie meer voorbeelde kan gedink word.
Hoe sal konvolusionele neurale netwerke ontwikkel?
Gesondheidsorg is 'n fassinerende bedryf waar CNN's na verwagting 'n beduidende invloed sal hê. Hulle kan byvoorbeeld gebruik word om mediese prente soos X-strale en MRI-skanderings te evalueer. Hulle kan klinici help om siektes vinniger en akkuraat te diagnoseer.
Selfbesturende motors is nog 'n interessante toepassing waar CNN's gebruik kan word vir voorwerpidentifikasie. Dit kan verbeter hoe goed die voertuie hul omgewing verstaan en daarop reageer.
'n Toenemende aantal mense stel ook belang om CNN-strukture te skep wat vinniger en doeltreffender is, insluitend mobiele CNN's. Daar word verwag dat hulle op laekrag-toestelle soos slimfone en draagbare toestelle gebruik sal word.
Lewer Kommentaar