Вы калі-небудзь пыталіся, як беспілотны аўтамабіль ведае, калі спыніцца на чырвонае святло, ці як ваш тэлефон можа распазнаць ваш твар?
Вось тут і ўваходзіць згорткавая нейронавая сетка або скарочана CNN.
CNN можна параўнаць з чалавечым мозгам, які можа аналізаваць выявы, каб вызначыць, што ў іх адбываецца. Гэтыя сеткі могуць нават выяўляць рэчы, якія людзі не заўважылі б!
У гэтым пасце мы разгледзім CNN у глыбокае вывучэнне кантэкст. Давайце паглядзім, што можа прапанаваць нам гэтая захапляльная вобласць!
Што такое глыбокае навучанне?
Глыбокае навучанне - гэта свайго роду штучны інтэлект. Гэта дазваляе кампутарам вучыцца.
Глыбокае навучанне апрацоўвае даныя з дапамогай складаных матэматычных мадэляў. Такім чынам, кампутар можа выяўляць шаблоны і класіфікаваць дадзеныя.
Пасля навучання з мноствам прыкладаў ён таксама можа прымаць рашэнні.
Чаму мы зацікаўлены ў CNN у галіне глыбокага навучання?
Згорткавыя нейронавыя сеткі (CNN) з'яўляюцца важным кампанентам глыбокага навучання.
Яны дазваляюць кампутарам разумець малюнкі і іншае візуальныя дадзеныя. Мы можам навучыць кампутары выяўляць заканамернасці і ідэнтыфікаваць аб'екты на аснове таго, што яны "бачаць", выкарыстоўваючы CNN у глыбокім навучанні.
CNN дзейнічаюць як вочы глыбокага навучання, дапамагаючы кампутарам разумець навакольнае асяроддзе!
Натхненне ад Brain's Architecture
CNN чэрпаюць натхненне з таго, як мозг інтэрпрэтуе інфармацыю. Штучныя нейроны, або вузлы, у CNN прымаюць уваходныя дадзеныя, апрацоўваюць іх і выдаюць вынік на выхадзе, гэтак жа, як гэта робяць нейроны мозгу ва ўсім целе.
Уваходны пласт
Уваходны пласт стандарту нейронных сеткі атрымлівае ўваходныя дадзеныя ў выглядзе масіваў, такіх як пікселі выявы. У CNN выява падаецца ў якасці ўваходных дадзеных для ўваходнага ўзроўню.
Схаваныя пласты
У CNN ёсць некалькі схаваных слаёў, якія выкарыстоўваюць матэматыку для вылучэння функцый з выявы. Існуе некалькі тыпаў слаёў, у тым ліку цалкам звязаныя, выпрамленыя лінейныя блокі, аб'яднанне і згорткавыя пласты.
Згорткавы пласт
Першы пласт для здабывання функцый з уваходнага малюнка - гэта пласт згорткі. Уваходная выява падвяргаецца фільтрацыі, і ў выніку атрымліваецца карта функцый, якая вылучае ключавыя элементы выявы.
Аб'яднанне пазней
Слой аб'яднання выкарыстоўваецца для памяншэння памеру карты функцый. Гэта ўзмацняе ўстойлівасць мадэлі да зрушэння размяшчэння ўваходнага малюнка.
Выпрамлены лінейны адзінкавы пласт (ReLU)
Узровень ReLU выкарыстоўваецца для надання мадэлі нелінейнасці. Вывад папярэдняга пласта актывуецца гэтым пластом.
Цалкам звязаны ўзровень
Поўнасцю звязаны ўзровень класіфікуе элемент і прысвойвае яму унікальны ідэнтыфікатар, а выхадны ўзровень - гэта цалкам звязаны ўзровень.
Сі-Эн-Эн - гэта сеткі перадачы перадачы інфармацыі
Дадзеныя пераходзяць ад уваходаў да выхадаў толькі адным шляхам. Іх архітэктура навеяна глядзельнай карой галаўнога мозгу, якая складаецца з чаргуючыхся слаёў асноўных і складаных клетак.
Як навучаюць CNN?
Уявіце, што вы спрабуеце навучыць кампутар распазнаваць котку.
Вы паказваеце яму шмат малюнкаў катоў, кажучы: «Вось кот». Пасля прагляду дастатковай колькасці малюнкаў котак кампутар пачынае распазнаваць такія характарыстыкі, як завостраныя вушы і вусы.
Спосаб працы CNN даволі падобны. Некалькі фотаздымкаў дэманструюцца на камп’ютары і даюцца назвы рэчаў на кожным малюнку.
Аднак CNN дзеліць выявы на больш дробныя часткі, напрыклад, рэгіёны. І ён вучыцца вызначаць характарыстыкі ў гэтых рэгіёнах, а не проста разглядаць выявы ў цэлым.
Такім чынам, першапачатковы ўзровень CNN можа выяўляць толькі асноўныя характарыстыкі, такія як краю або куты. Затым наступны ўзровень заснаваны на гэтым, каб распазнаваць больш падрабязныя функцыі, такія як формы або тэкстуры.
Пласты працягваюць карэкціраваць і ўдасканальваць гэтыя якасці, калі камп'ютар праглядае больш малюнкаў. Гэта працягваецца, пакуль ён не стане вельмі дасведчаным у ідэнтыфікацыі ўсяго, на чым яго трэніравалі, няхай гэта будзе кошкі, твары ці што-небудзь яшчэ.
Магутны інструмент глыбокага навучання: як CNN трансфармавалі распазнаванне малюнкаў
Выяўляючы і асэнсоўваючы шаблоны ў малюнках, CNN змянілі распазнаванне малюнкаў. Паколькі яны даюць вынікі з высокай ступенню дакладнасці, CNN з'яўляюцца найбольш эфектыўнай архітэктурай для прыкладанняў класіфікацыі, пошуку і выяўлення малюнкаў.
Яны часта даюць выдатныя вынікі. І яны дакладна вызначаюць і ідэнтыфікуюць аб'екты на фотаздымках у рэальных праграмах.
Пошук узораў у любой частцы малюнка
Незалежна ад таго, дзе ўзор з'яўляецца на малюнку, CNN распрацаваны, каб распазнаць яго. Яны могуць аўтаматычна здабываць візуальныя характарыстыкі з любога месца на малюнку.
Гэта магчыма дзякуючы іх здольнасці, вядомай як «прасторавая нязменнасць». Спрашчаючы працэс, CNN могуць вучыцца прама з фатаграфій без неабходнасці вылучэння функцый чалавекам.
Больш хуткасць апрацоўкі і менш выкарыстоўванай памяці
CNN апрацоўваюць выявы хутчэй і больш эфектыўна, чым традыцыйныя працэсы. Гэта вынік аб'яднання слаёў, якія памяншаюць колькасць параметраў, неабходных для апрацоўкі малюнка.
Такім чынам яны зніжаюць выкарыстанне памяці і выдаткі на апрацоўку. Многія вобласці выкарыстоўваюць CNN, такія як; распазнанне асобы, катэгарызацыі відэа і аналіз малюнкаў. Яны нават прывыклі класіфікаваць галактыкі.
Прыклады з жыцця
Карцінкі Google гэта адзін з варыянтаў выкарыстання CNN у рэальным свеце, які выкарыстоўвае іх для ідэнтыфікацыі людзей і аб'ектаў на малюнках. Больш таго, Блакітны і амазонка забяспечваюць API распазнання малюнкаў, якія пазначаюць і ідэнтыфікуюць аб'екты з дапамогай CNN.
Інтэрнэт-інтэрфейс для навучання нейронавых сетак з выкарыстаннем набораў даных, уключаючы задачы па распазнаванні малюнкаў, забяспечваецца платформай глыбокага навучання Лічбы NVIDIA.
Гэтыя прыкладанні паказваюць, як CNN можна выкарыстоўваць для розных задач, ад невялікіх камерцыйных выпадкаў да арганізацыі ўласных фатаграфій. Можна прыдумаць яшчэ шмат прыкладаў.
Як будуць развівацца згорткавыя нейронавыя сеткі?
Ахова здароўя - гэта захапляльная галіна, дзе CNN, як чакаецца, будзе мець значны ўплыў. Напрыклад, яны могуць быць выкарыстаны для ацэнкі медыцынскіх здымкаў, такіх як рэнтгенаўскія здымкі і МРТ. Яны могуць дапамагчы клініцыстам больш хутка і дакладна дыягнаставаць хваробы.
Самастойныя аўтамабілі - яшчэ адно цікавае прымяненне, дзе CNN могуць быць выкарыстаны для ідэнтыфікацыі аб'ектаў. Гэта можа палепшыць тое, наколькі добра транспартныя сродкі разумеюць наваколле і рэагуюць на яго.
Усё большая колькасць людзей таксама зацікаўлены ў стварэнні больш хуткіх і эфектыўных структур CNN, у тым ліку мабільных CNN. Чакаецца, што яны будуць выкарыстоўвацца на маламагутных гаджэтах, такіх як смартфоны і носныя прылады.
Пакінуць каментар