በራስ የሚነዳ መኪና በቀይ መብራት መቼ ማቆም እንዳለበት ወይም ስልክዎ ፊትዎን እንዴት እንደሚለይ ጠይቀህ ታውቃለህ?
እዚህ ላይ ነው Convolutional Neural Network ወይም CNN በአጭሩ የሚመጣው።
ሲ ኤን ኤን በሰው አንጎል ውስጥ ምን እየተፈጠረ እንዳለ ለማወቅ ምስሎችን ሊመረምር ከሚችል አእምሮ ጋር ሊወዳደር ይችላል። እነዚህ ኔትወርኮች የሰው ልጅ ችላ የሚሏቸውን ነገሮች እንኳ ሊያገኙ ይችላሉ!
በዚህ ጽሑፍ ውስጥ CNN በ ውስጥ እንቃኛለን። ጥልቀት ያለው ትምህርት አውድ. ይህ አስደሳች አካባቢ ምን እንደሚሰጠን እንይ!
ጥልቅ ትምህርት ምንድን ነው?
ጥልቅ ትምህርት አንድ ዓይነት ነው። ሰው ሰራሽ እውቀት. ኮምፒውተሮች እንዲማሩ ያስችላቸዋል።
ውስብስብ የሂሳብ ሞዴሎችን በመጠቀም ጥልቅ የመማር ሂደቶች ውሂብ። ስለዚህ, ኮምፒዩተር ንድፎችን ፈልጎ ማግኘት እና ውሂብን መከፋፈል ይችላል.
ከብዙ ምሳሌዎች ጋር ከስልጠና በኋላ, ውሳኔዎችን ማድረግም ይችላል.
ለምንድነው በጥልቅ ትምህርት ውስጥ የሲኤንኤን ፍላጎት የምንፈልገው?
Convolutional Neural Networks (ሲኤንኤን) የጥልቅ ትምህርት አስፈላጊ አካል ናቸው።
ኮምፒውተሮች ስዕሎችን እና ሌሎችን እንዲረዱ ያስችላቸዋል ምስላዊ ውሂብ. ሲ ኤን ኤን በጥልቅ ትምህርት በመቅጠር ኮምፒውተሮች ቅጦችን እንዲለዩ እና ነገሮችን “በሚያዩት” ላይ በመመስረት እንዲለዩ ማሰልጠን እንችላለን።
ሲ ኤን ኤን እንደ ጥልቅ ትምህርት አይኖች ሆነው ኮምፒውተሮችን አካባቢን እንዲረዱ ይረዳሉ!
ከአንጎል አርክቴክቸር ተመስጦ
ሲ ኤን ኤን መነሳሻቸውን የሚወስዱት አንጎል መረጃን እንዴት እንደሚተረጉም ነው። ሰው ሰራሽ ነርቮች ወይም አንጓዎች በ CNN ውስጥ ግብአቶችን ይቀበላሉ፣ ያቀናጃሉ እና ውጤቱን እንደ ውፅዓት ያደርሳሉ፣ ልክ የአንጎል ነርቮች በሰውነት ውስጥ እንደሚሰሩት።
የግቤት ንብርብር
የአንድ መደበኛ የግቤት ንብርብር የነርቭ ኔትወርክ ግብዓቶችን በአደራደር መልክ ይቀበላል፣ ለምሳሌ የምስል ፒክስሎች። በ CNN ዎች ውስጥ ለግቤት ንብርብር እንደ ግብአት ምስል ይቀርባል።
የተደበቁ ንብርብሮች
በሲኤንኤን ውስጥ በርካታ የተደበቁ ንብርብሮች አሉ፣ እነሱም ከሥዕሉ ላይ ባህሪያትን ለማውጣት ሂሳብን ይጠቀማሉ። ሙሉ በሙሉ የተገናኙ፣ የተስተካከሉ የመስመራዊ አሃዶች፣ የመዋኛ ገንዳ እና ኮንቮሉሽን ንብርብሮችን ጨምሮ በርካታ አይነት ንብርብሮች አሉ።
ኮንቮሉሽን ንብርብር
ባህሪያትን ከግቤት ሥዕል ለማውጣት የመጀመሪያው ንብርብር ኮንቮሉሽን ንብርብር ነው። የግብዓት ምስሉ ለማጣራት የተጋለጠ ነው, ውጤቱም የምስሉን ቁልፍ አካላት የሚያጎላ የባህሪ ካርታ ነው.
በኋላ ላይ ገንዳ ማድረግ
የመዋኛ ንብርብር የባህሪ ካርታውን መጠን ለመቀነስ ይጠቅማል። የአምሳያው የመግቢያውን ስዕል ቦታ ለመቀየር የአምሳያው ተቃውሞ ያጠናክራል.
የተስተካከለ የመስመር ክፍል ንብርብር (ReLU)
የReLU ንብርብር ለሞዴሉ መስመር አልባነት ለመስጠት ተቀጥሯል። የቀደመው ንብርብር ውፅዓት በዚህ ንብርብር ነቅቷል.
ሙሉ በሙሉ የተገናኘ ንብርብር
ሙሉ በሙሉ የተገናኘው ንብርብር እቃውን ይመድባል እና በውጤቱ ንብርብር ውስጥ ልዩ መታወቂያ ሙሉ በሙሉ የተገናኘ ንብርብር ይመድባል.
ሲ ኤን ኤን ፊድፎርዋርድ ኔትወርኮች ናቸው።
ውሂብ በአንድ መንገድ ከግብአት ወደ ውፅዓት ብቻ ነው የሚፈሰው። የእነሱ አርክቴክቸር በተለዋዋጭ መሰረታዊ እና የተራቀቁ ህዋሶች በተሰራው የአንጎል ምስላዊ ኮርቴክስ ተመስጧዊ ነው።
CNNs እንዴት ነው የሰለጠኑት?
ድመትን ለመለየት ኮምፒተርን ለማስተማር እየሞከሩ እንደሆነ አስቡበት.
“ይኸው ድመት” እያለ ብዙ የድመቶችን ምስሎች ታሳያለህ። በቂ የድመቶችን ምስሎች ካየ በኋላ ኮምፒዩተሩ እንደ ሹል ጆሮ እና ጢስ ያሉ ባህሪያትን ማወቅ ይጀምራል።
CNN የሚሰራበት መንገድ በጣም ተመሳሳይ ነው። ብዙ ፎቶግራፎች በኮምፒዩተር ላይ ይታያሉ, እና በእያንዳንዱ ምስል ውስጥ ያሉት ነገሮች ስሞች ተሰጥተዋል.
ነገር ግን፣ CNN ምስሎቹን እንደ ክልሎች ወደ ትናንሽ ክፍሎች ይከፋፍላቸዋል። እናም, ምስሎችን በአጠቃላይ ከማየት ይልቅ በእነዚያ ክልሎች ውስጥ ያሉትን ባህሪያት መለየት ይማራል.
ስለዚህ፣ የ CNN የመጀመሪያ ንብርብር እንደ ጠርዞች ወይም ጠርዞች ያሉ መሰረታዊ ባህሪያትን ብቻ ሊያገኝ ይችላል። ከዚያ የሚቀጥለው ንብርብር እንደ ቅጾች ወይም ሸካራዎች ያሉ ተጨማሪ ዝርዝር ባህሪያትን ለመለየት በዚያ ላይ ይገነባል።
ኮምፒዩተሩ ተጨማሪ ምስሎችን ሲመለከት ንብርቦቹ እነዚያን ጥራቶች እያስተካከሉ እና እየጨመሩ ይሄዳሉ። የሰለጠነበትን ማንኛውንም ነገር፣ ድመቶች፣ ፊት ወይም ሌላ ማንኛውንም ነገር በመለየት ረገድ በጣም ጎበዝ እስኪሆን ድረስ ይቀጥላል።
ኃይለኛ ጥልቅ የመማሪያ መሳሪያ፡ CNN ዎች ምስልን እንዴት እንደቀየሩ
በምስሎች ውስጥ የስርዓተ-ጥለትን በመለየት እና በማስተዋል ሲ.ኤን.ኤን.ዎች የምስል ማወቂያን ቀይረዋል። ውጤቱን በከፍተኛ ደረጃ ትክክለኛነት ስለሚያቀርቡ፣ ሲኤንኤን ለምስል ምደባ፣ ሰርስሮ ለማውጣት እና ለመፈለግ አፕሊኬሽኖች በጣም ቀልጣፋ አርክቴክቸር ናቸው።
ብዙውን ጊዜ ጥሩ ውጤቶችን ይሰጣሉ. እና፣ በእውነተኛ አለም አፕሊኬሽኖች ውስጥ በፎቶዎች ውስጥ ያሉትን ነገሮች በትክክል ይጠቁማሉ እና ይለያሉ።
በማንኛውም የሥዕል ክፍል ውስጥ ቅጦችን መፈለግ
በሥዕሉ ላይ ስርዓተ-ጥለት የትም ቢታይ፣ CNNs እሱን ለመለየት የተነደፉ ናቸው። በሥዕሉ ላይ ከማንኛውም ቦታ የእይታ ባህሪያትን በራስ-ሰር ማውጣት ይችላሉ።
ይህ ሊሆን የቻለው “የቦታ አለመመጣጠን” በመባል በሚታወቀው ችሎታቸው ነው። ሂደቱን በማቃለል፣ CNNs የሰው ባህሪን ማውጣት ሳያስፈልጋቸው በቀጥታ ከፎቶዎች መማር ይችላሉ።
ተጨማሪ የሂደት ፍጥነት እና አነስተኛ ማህደረ ትውስታ ጥቅም ላይ ይውላል
CNN ዎች ምስሎችን ከባህላዊ ሂደቶች በበለጠ ፍጥነት እና በብቃት ያዘጋጃሉ። ይህ የመዋኛ ንብርብሮች ውጤት ነው, ይህም ስዕልን ለማስኬድ የሚያስፈልጉትን መለኪያዎች ብዛት ይቀንሳል.
በዚህ መንገድ የማህደረ ትውስታ አጠቃቀምን እና የማስኬጃ ወጪዎችን ይቀንሳሉ. ብዙ አካባቢዎች CNNs ይጠቀማሉ፣ ለምሳሌ; ፊት ለይቶ ማወቅ፣ የቪዲዮ ምደባ እና የምስል ትንተና። እንዲያውም ለምደዋል ጋላክሲዎችን መድብ.
የእውነተኛ ህይወት ምሳሌዎች
ጉግል ሥዕሎች በገሃዱ ዓለም ውስጥ ያሉ ሰዎችን እና ነገሮችን በምስል ለመለየት የሚቀጥራቸው CNNs አንዱ አጠቃቀም ነው። ከዚህም በላይ እ.ኤ.አ. Azure ና አማዞን ሲ ኤን ኤን በመጠቀም ዕቃዎችን መለያ የሚያደርጉ እና የሚለዩ የምስል ማወቂያ ኤፒአይዎችን ያቅርቡ።
የምስል ማወቂያ ስራዎችን ጨምሮ የውሂብ ስብስቦችን በመጠቀም የነርቭ አውታረ መረቦችን ለማሰልጠን የመስመር ላይ በይነገጽ በጥልቅ የመማሪያ መድረክ ቀርቧል NVIDIA አሃዞች.
እነዚህ አፕሊኬሽኖች ሲ ኤን ኤን እንዴት ለተለያዩ ተግባራት ከትንንሽ የንግድ መጠቀሚያ ጉዳዮች እስከ የራስ ፎቶዎችን ማደራጀት ድረስ እንዴት መጠቀም እንደሚቻል ያሳያሉ። ብዙ ተጨማሪ ምሳሌዎችን ማሰብ ይቻላል.
Convolutional Neural Networks እንዴት ይሻሻላል?
ጤና አጠባበቅ ሲ ኤን ኤን ጉልህ ተጽእኖ ይኖረዋል ተብሎ የሚጠበቅበት አስደናቂ ኢንዱስትሪ ነው። ለምሳሌ፣ እንደ ኤክስሬይ እና ኤምአርአይ ስካን ያሉ የህክምና ምስሎችን ለመገምገም ሊያገለግሉ ይችላሉ። ህመሞችን በፍጥነት እና በትክክል ለመመርመር ክሊኒኮችን መርዳት ይችላሉ።
በራስ የሚሽከረከሩ አውቶሞቢሎች CNNs ለነገር መለያነት የሚያገለግሉበት ሌላው አስደሳች መተግበሪያ ነው። ተሽከርካሪዎቹ አካባቢያቸውን ምን ያህል በደንብ እንደሚረዱ እና ምላሽ እንደሚሰጡ ማሻሻል ይችላል።
ቁጥራቸው እየጨመረ የመጣ ሰዎች የሞባይል CNN ዎችን ጨምሮ ፈጣን እና የበለጠ ውጤታማ የሆኑ የሲኤንኤን መዋቅሮችን ለመፍጠር ፍላጎት አላቸው። እንደ ስማርትፎኖች እና ተለባሾች ባሉ አነስተኛ ኃይል ባላቸው መግብሮች ላይ ጥቅም ላይ ይውላሉ ተብሎ ይጠበቃል።
መልስ ይስጡ