Երբևէ հարց տվե՞լ եք, թե ինչպես է ինքնակառավարվող մեքենան իմանում, թե երբ պետք է կանգ առնել կարմիր լույսի տակ կամ ինչպես ձեր հեռախոսը կարող է ճանաչել ձեր դեմքը:
Այստեղ գալիս է Convolutional Neural Network-ը կամ կարճ CNN-ը:
CNN-ը համեմատելի է մարդու ուղեղի հետ, որը կարող է վերլուծել պատկերները՝ որոշելու, թե ինչ է կատարվում դրանցում: Այս ցանցերը նույնիսկ կարող են հայտնաբերել այնպիսի բաներ, որոնք մարդիկ անտեսեն:
Այս գրառման մեջ մենք կուսումնասիրենք CNN-ը խորը ուսուցում համատեքստ։ Տեսնենք, թե ինչ կարող է մեզ առաջարկել այս հետաքրքիր տարածքը:
Ի՞նչ է խորը ուսուցումը:
Խորը ուսուցումը մի տեսակ է Արհեստական բանականություն. Այն թույլ է տալիս համակարգիչներին սովորել:
Խորը ուսուցումը մշակում է տվյալները՝ օգտագործելով բարդ մաթեմատիկական մոդելներ: Այսպիսով, համակարգիչը կարող է հայտնաբերել օրինաչափություններ և դասակարգել տվյալները:
Բազմաթիվ օրինակներով մարզվելուց հետո այն կարող է նաև որոշումներ կայացնել։
Ինչու՞ ենք մենք հետաքրքրված CNN-ներով խորը ուսուցմամբ:
Convolutional Neural Networks-ը (CNN) խորը ուսուցման կարևոր բաղադրիչ է:
Նրանք թույլ են տալիս համակարգիչներին հասկանալ նկարները և այլն տեսողական տվյալներ. Մենք կարող ենք ուսուցանել համակարգիչներին, որպեսզի հայտնաբերեն օրինաչափություններ և հայտնաբերեն օբյեկտները՝ հիմնվելով նրանց «տեսածի» վրա՝ օգտագործելով CNN-ները խորը ուսուցման մեջ:
CNN-ները գործում են որպես խորը ուսուցման աչքեր, որոնք օգնում են համակարգիչներին հասկանալ շրջակա միջավայրը:
Ոգեշնչում Brain's Architecture-ից
CNN-ներն իրենց ոգեշնչումը վերցնում են այն բանից, թե ինչպես է ուղեղը մեկնաբանում տեղեկատվությունը: Արհեստական նեյրոնները կամ հանգույցները CNN-ներում ընդունում են մուտքերը, մշակում դրանք և արդյունքը տալիս որպես արդյունք, ճիշտ այնպես, ինչպես ուղեղի նեյրոններն են անում ամբողջ մարմնում:
Ներածման շերտ
Ստանդարտի մուտքային շերտը նյարդային ցանց մուտքեր է ստանում զանգվածների տեսքով, ինչպիսիք են նկարի պիքսելները: CNN-ներում նկարը տրամադրվում է որպես մուտքային շերտ:
Թաքնված շերտեր
CNN-ներում կան մի քանի թաքնված շերտեր, որոնք օգտագործում են մաթեմատիկան՝ նկարից առանձնահատկություններ հանելու համար։ Գոյություն ունեն մի քանի տեսակի շերտեր, այդ թվում՝ ամբողջությամբ կապակցված, շտկված գծային միավորներ, միաձուլման և կոնվոլյուցիոն շերտեր:
Կոնվոլյուցիոն շերտ
Առաջին շերտը, որը արդյունահանում է առանձնահատկություններ մուտքագրված նկարից, կոնվուլյացիոն շերտն է: Մուտքային պատկերը ենթարկվում է զտման, և արդյունքում ստացվում է առանձնահատկությունների քարտեզ, որն ընդգծում է պատկերի հիմնական տարրերը:
Ավելի ուշ համախմբում
Միավորող շերտն օգտագործվում է առանձնահատկությունների քարտեզի չափը փոքրացնելու համար: Այն ուժեղացնում է մոդելի դիմադրությունը մուտքագրված նկարի գտնվելու վայրը փոխելու համար:
Ուղղված գծային միավորի շերտ (ReLU)
ReLU շերտը օգտագործվում է մոդելին ոչ գծայինություն տալու համար: Նախորդ շերտի ելքը ակտիվանում է այս շերտով:
Լիովին միացված շերտ
Լիովին միացված շերտը դասակարգում է տարրը և նրան վերագրում է եզակի ID ելքային շերտում՝ ամբողջությամբ միացված շերտը:
CNN-ները Feedforward ցանցեր են
Տվյալները մուտքերից դեպի ելքեր են հոսում միայն մեկ ճանապարհով: Նրանց ճարտարապետությունը ոգեշնչված է ուղեղի տեսողական կեղևից, որը կազմված է հիմնական և բարդ բջիջների փոփոխվող շերտերից:
Ինչպե՞ս են վերապատրաստվում CNN-ները:
Համարեք, որ դուք փորձում եք համակարգչին սովորեցնել կատվին նույնականացնել:
Դուք ցուցադրում եք կատուների բազմաթիվ պատկերներ՝ ասելով. «Ահա մի կատու»: Կատուների բավականաչափ պատկերներ դիտելուց հետո համակարգիչը սկսում է ճանաչել այնպիսի հատկություններ, ինչպիսիք են սուր ականջներն ու բեղերը:
CNN-ի գործելաոճը բավականին նման է. Համակարգչում ցուցադրվում են մի քանի լուսանկարներ, և տրվում են յուրաքանչյուր նկարում պատկերված իրերի անունները:
Այնուամենայնիվ, CNN-ը պատկերները բաժանում է փոքր մասերի, օրինակ՝ շրջանների։ Եվ, այն սովորում է նույնականացնել այդ տարածաշրջանների բնութագրերը, այլ ոչ թե պարզապես դիտել պատկերները որպես ամբողջություն:
Այսպիսով, CNN-ի սկզբնական շերտը կարող է հայտնաբերել միայն հիմնական բնութագրերը, ինչպիսիք են եզրերը կամ անկյունները: Այնուհետև հաջորդ շերտը հիմնվում է դրա վրա՝ ճանաչելու ավելի մանրամասն առանձնահատկություններ, ինչպիսիք են ձևերը կամ հյուսվածքները:
Շերտերը շարունակում են կարգավորել և կատարելագործել այդ հատկությունները, քանի որ համակարգիչը ավելի շատ պատկերներ է դիտում: Այն շարունակվում է այնքան ժամանակ, մինչև նա շատ հմուտ դառնա նույնականացնելու այն, ինչի վրա վարժվել է, լինի դա կատու, դեմք կամ որևէ այլ բան:
Խորը ուսուցման հզոր գործիք. Ինչպես CNN-ները փոխեցին պատկերների ճանաչումը
Պատկերների օրինաչափությունները բացահայտելով և իմաստավորելով՝ CNN-ները փոխակերպել են պատկերների ճանաչումը: Քանի որ դրանք ապահովում են բարձր ճշգրտությամբ արդյունքներ, CNN-ներն ամենաարդյունավետ ճարտարապետությունն են պատկերների դասակարգման, որոնման և հայտնաբերման հավելվածների համար:
Նրանք հաճախ տալիս են գերազանց արդյունքներ: Եվ նրանք ճշգրիտ կերպով մատնանշում և նույնացնում են լուսանկարների առարկաները իրական աշխարհի ծրագրերում:
Նկարի ցանկացած մասում նախշեր գտնելը
Անկախ նրանից, թե որտեղ է պատկերված պատկերը, CNN-ները նախատեսված են այն ճանաչելու համար: Նրանք կարող են ավտոմատ կերպով հանել տեսողական բնութագրերը նկարի ցանկացած վայրից:
Դա հնարավոր է նրանց ունակության շնորհիվ, որը հայտնի է որպես «տարածական անփոփոխություն»: Պարզեցնելով գործընթացը՝ CNN-ները կարող են ուղղակիորեն սովորել լուսանկարներից՝ առանց մարդկային հատկանիշների արդյունահանման անհրաժեշտության:
Ավելի շատ մշակման արագություն և ավելի քիչ օգտագործված հիշողություն
CNN-ները նկարները մշակում են ավելի արագ և արդյունավետ, քան ավանդական գործընթացները: Սա միավորման շերտերի արդյունք է, որը նվազեցնում է նկարի մշակման համար պահանջվող պարամետրերի քանակը:
Այս կերպ նրանք նվազեցնում են հիշողության օգտագործման և մշակման ծախսերը: Շատ տարածքներ օգտագործում են CNN-ներ, ինչպիսիք են. դեմքի ճանաչում, տեսանյութերի դասակարգում և նկարների վերլուծություն։ Նրանք նույնիսկ սովոր են դասակարգել գալակտիկաները.
Իրական կյանքի օրինակներ
Google Նկարներ CNN-ների իրական աշխարհում օգտագործումից մեկն է, որն օգտագործում է դրանք նկարներում մարդկանց և առարկաների նույնականացման համար: Ավելին, Երկնագույն և Amazon տրամադրել պատկերների ճանաչման API-ներ, որոնք պիտակավորում և նույնացնում են օբյեկտները CNN-ների միջոցով:
Նեյրոնային ցանցերի ուսուցման առցանց ինտերֆեյս՝ օգտագործելով տվյալների հավաքածուներ, ներառյալ նկարների ճանաչման առաջադրանքները, տրամադրվում է խորը ուսուցման հարթակի կողմից: NVIDIA թվանշաններ.
Այս հավելվածները ցույց են տալիս, թե ինչպես CNN-ները կարող են օգտագործվել տարբեր խնդիրների համար՝ սկսած փոքրածավալ առևտրային օգտագործման դեպքերից մինչև լուսանկարների կազմակերպում: Էլի շատ օրինակներ կարելի է մտածել։
Ինչպե՞ս կզարգանան կոնվոլյուցիոն նեյրոնային ցանցերը:
Առողջապահությունը հետաքրքրաշարժ արդյունաբերություն է, որտեղ ակնկալվում է, որ CNN-ները զգալի ազդեցություն կունենան: Օրինակ, դրանք կարող են օգտագործվել բժշկական նկարները գնահատելու համար, ինչպիսիք են ռենտգենյան ճառագայթները և MRI սկանավորումները: Նրանք կարող են օգնել կլինիկաներին ավելի արագ և ճշգրիտ ախտորոշել հիվանդությունները:
Ինքնավար մեքենաները ևս մեկ հետաքրքիր ծրագիր են, որտեղ CNN-ները կարող են օգտագործվել օբյեկտների նույնականացման համար: Այն կարող է բարելավել, թե որքան լավ են մեքենաները հասկանում և արձագանքում իրենց շրջապատին:
Աճող թվով մարդիկ նույնպես հետաքրքրված են ավելի արագ և արդյունավետ CNN կառույցներ ստեղծելով, ներառյալ շարժական CNN-ները: Ակնկալվում է, որ դրանք կօգտագործվեն ցածր էներգիայի գաջեթներում, ինչպիսիք են սմարթֆոնները և կրելի սարքերը:
Թողնել գրառում