Preguntaches algunha vez como un coche autónomo sabe cando parar nun semáforo en vermello ou como o teu teléfono pode identificar a túa cara?
Aquí é onde entra a Rede Neuronal Convolucional ou CNN para abreviar.
Unha CNN é comparable a un cerebro humano que pode analizar imaxes para determinar o que está a suceder nelas. Estas redes poden incluso detectar cousas que os humanos pasarían por alto.
Nesta publicación, exploraremos a CNN no aprendizaxe profunda contexto. A ver que nos pode ofrecer esta apaixonante área!
Que é a aprendizaxe profunda?
A aprendizaxe profunda é unha especie de intelixencia artificial. Permite que os ordenadores aprendan.
A aprendizaxe profunda procesa datos utilizando modelos matemáticos complicados. Para iso, un ordenador pode detectar patróns e categorizar datos.
Despois de adestrar con moitos exemplos, tamén pode tomar decisións.
Por que nos interesan as CNN en Deep Learning?
As redes neuronais convolucionais (CNN) son un compoñente importante da aprendizaxe profunda.
Permiten que os ordenadores comprendan imaxes e outros datos visuais. Podemos adestrar ordenadores para detectar patróns e identificar obxectos en función do que "ven" empregando CNN na aprendizaxe profunda.
As CNN actúan como ollos de aprendizaxe profunda, axudando ás computadoras a comprender o medio ambiente.
Inspiración en Brain's Architecture
As CNN inspíranse en como o cerebro interpreta a información. As neuronas artificiais, ou nodos, nas CNN, aceptan entradas, procesalas e entregan o resultado como saída, do mesmo xeito que as neuronas cerebrais en todo o corpo.
Capa de entrada
A capa de entrada dun estándar rede neural recibe entradas en forma de matrices, como píxeles de imaxe. Nas CNN, entrégase unha imaxe como entrada á capa de entrada.
Capas ocultas
Hai varias capas ocultas nas CNN, que usan as matemáticas para extraer características da imaxe. Existen varios tipos de capas, incluíndo unidades lineais rectificadas e completamente enlazadas, agrupacións e capas de convolución.
Capa de convolución
A primeira capa para extraer características dunha imaxe de entrada é a capa de convolución. A imaxe de entrada está sometida a un filtrado e o resultado é un mapa de características que destaca os elementos clave da imaxe.
Agrupación máis tarde
A capa de agrupación úsase para reducir o tamaño do mapa de características. Fortalece a resistencia do modelo a cambiar a localización da imaxe de entrada.
Capa de unidade lineal rectificada (ReLU)
Emprégase a capa ReLU para dar ao modelo non linealidade. A saída da capa anterior é activada por esta capa.
Capa totalmente conectada
A capa totalmente conectada categoriza o elemento e asígnalle un ID único na capa de saída é a capa completamente conectada.
As CNN son redes Feedforward
Os datos só flúen das entradas ás saídas dun xeito. A súa arquitectura está inspirada na cortiza visual do cerebro, que está formada por capas alternas de células básicas e sofisticadas.
Como se adestran as CNN?
Considera que estás intentando ensinarlle a un ordenador a identificar un gato.
Mostras moitas imaxes de gatos mentres dis: "Aquí está un gato". Despois de ver suficientes imaxes de gatos, o ordenador comeza a recoñecer características como orellas puntiagudas e bigotes.
A forma de operar da CNN é bastante semellante. No ordenador móstranse varias fotografías e indícanse os nomes das cousas de cada imaxe.
Non obstante, CNN divide as imaxes en pezas máis pequenas, como rexións. E, aprende a identificar as características desas rexións en lugar de só ver as imaxes como un todo.
Polo tanto, a capa inicial da CNN só pode detectar características básicas como bordos ou esquinas. Despois, a seguinte capa constrúese sobre iso para recoñecer características máis detalladas como formas ou texturas.
As capas seguen axustándose e mellorando esas calidades a medida que o ordenador ve máis imaxes. Continúa ata que se fai moi hábil para identificar o que foi adestrado, xa sexan gatos, caras ou calquera outra cousa.
Unha poderosa ferramenta de aprendizaxe profunda: como as CNN transformaron o recoñecemento de imaxes
Ao identificar e dar sentido aos patróns nas imaxes, as CNN transformaron o recoñecemento de imaxes. Dado que proporcionan resultados cun alto grao de precisión, as CNN son a arquitectura máis eficiente para aplicacións de clasificación, recuperación e detección de imaxes.
Con frecuencia dan excelentes resultados. Ademais, identifican e identifican con precisión obxectos en fotos en aplicacións do mundo real.
Buscar patróns en calquera parte dunha imaxe
Non importa onde apareza un patrón nunha imaxe, as CNN están deseñadas para recoñecelo. Poden extraer automaticamente características visuais de calquera lugar dunha imaxe.
Isto é posible grazas á súa capacidade coñecida como "invariancia espacial". Ao simplificar o proceso, as CNN poden aprender directamente das fotos sen necesidade de extraer características humanas.
Máis velocidade de procesamento e menos memoria utilizada
As CNN procesan imaxes de forma máis rápida e eficiente que os procesos tradicionais. Este é o resultado das capas de agrupación, que reducen o número de parámetros necesarios para procesar unha imaxe.
Deste xeito, reducen o uso da memoria e os custos de procesamento. Moitas áreas usan CNN, como; recoñecemento facial, categorización de vídeos e análise de imaxes. Mesmo están afeitos clasificar as galaxias.
Exemplos da vida real
Google Pictures é un uso das CNN no mundo real que as emprega para identificar persoas e obxectos en imaxes. Ademais, Azul Amazonas proporcionar API de recoñecemento de imaxes que etiquetan e identifican obxectos mediante CNN.
A plataforma de aprendizaxe profunda proporciona unha interface en liña para adestrar redes neuronais mediante conxuntos de datos, incluíndo tarefas de recoñecemento de imaxes. Díxitos de NVIDIA.
Estas aplicacións mostran como as CNN se poden usar para unha variedade de tarefas, desde casos de uso comercial a pequena escala ata organizar as fotos. Pódense pensar en moitos máis exemplos.
Como evolucionarán as redes neuronais convolucionais?
A saúde é unha industria fascinante na que se espera que as CNN teñan unha influencia significativa. Por exemplo, poderían usarse para avaliar imaxes médicas como raios X e resonancia magnética. Poden axudar aos médicos a diagnosticar as enfermidades de forma máis rápida e precisa.
Os automóbiles de condución autónoma son outra aplicación interesante onde as CNN se poden utilizar para a identificación de obxectos. Pode mellorar o ben que os vehículos entenden e reaccionan ao seu contorno.
Un número crecente de persoas tamén está interesada en crear estruturas CNN que sexan máis rápidas e eficaces, incluíndo CNN móbiles. Espérase que se utilicen en aparellos de baixa potencia, como teléfonos intelixentes e wearables.
Deixe unha resposta