Өздігінен басқарылатын көлік қызыл шамға қашан тоқтау керектігін немесе телефон сіздің бетіңізді қалай анықтай алатынын сұрадыңыз ба?
Дәл осы жерде конволюционды нейрондық желі немесе қысқаша CNN келеді.
CNN бейнелерді оларда не болып жатқанын анықтау үшін талдай алатын адам миымен салыстыруға болады. Бұл желілер тіпті адамдар елемейтін нәрселерді анықтай алады!
Бұл мақалада біз CNN-ді зерттейміз терең білім алу контекст. Бұл қызықты аймақ бізге не ұсына алатынын көрейік!
Терең оқыту дегеніміз не?
Терең білім алудың бір түрі жасанды интеллект. Ол компьютерлерге оқуға мүмкіндік береді.
Терең оқыту күрделі математикалық модельдер арқылы деректерді өңдейді. Осылайша, компьютер үлгілерді анықтап, деректерді санаттай алады.
Көптеген мысалдармен жаттығудан кейін ол шешім қабылдай алады.
Неліктен бізді тереңдетіп оқытудағы CNN қызықтырады?
Конволюционды нейрондық желілер (CNN) терең оқытудың маңызды құрамдас бөлігі болып табылады.
Олар компьютерлерге суреттерді және т.б. түсінуге мүмкіндік береді көрнекі деректер. Терең оқытуда CNN қолдану арқылы біз компьютерлерді үлгілерді анықтауға және олардың «көретініне» негізделген нысандарды анықтауға үйрете аламыз.
CNN компьютерлерге қоршаған ортаны түсінуге көмектесетін терең білімнің көзі ретінде әрекет етеді!
Мидың архитектурасынан шабыт
CNN өз шабыттарын мидың ақпаратты қалай түсіндіретінінен алады. CNN-дегі жасанды нейрондар немесе түйіндер кірістерді қабылдайды, оларды өңдейді және нәтижені бүкіл денеде ми нейрондары жасайтындай етіп шығарады.
Енгізу қабаты
Стандарттың кіріс деңгейі нейрондық желі сурет пикселдері сияқты массивтер түріндегі кірістерді қабылдайды. CNN-де сурет кіріс деңгейіне кіріс ретінде беріледі.
Жасырын қабаттар
CNN-де суреттен мүмкіндіктерді шығару үшін математиканы пайдаланатын бірнеше жасырын қабаттар бар. Толығымен байланыстырылған, түзетілген сызықтық бірліктерді, біріктіру және конволюция қабаттарын қоса алғанда, қабаттардың бірнеше түрі бар.
Конволюциялық қабат
Енгізілген суреттен мүмкіндіктерді шығаратын бірінші қабат конвульсия қабаты болып табылады. Енгізілген кескін сүзгіден өтеді және нәтиже кескіннің негізгі элементтерін ерекшелейтін мүмкіндіктер картасы болып табылады.
Кейінірек біріктіру
Біріктіру қабаты мүмкіндік картасының өлшемін кішірейту үшін пайдаланылады. Ол модельдің кіріс суретінің орнын ауыстыруға қарсылығын күшейтеді.
Түзетілген сызықтық бірлік қабаты (ReLU)
Модельге бейсызықты беру үшін ReLU деңгейі қолданылады. Алдыңғы қабаттың шығысы осы қабат арқылы іске қосылады.
Толық қосылған қабат
Толық қосылған деңгей элементті санаттарға бөледі және оған шығу деңгейінде бірегей идентификаторды тағайындайды, бұл толығымен қосылған қабат.
CNN - бұл кері бағыттағы желілер
Деректер тек бір жолмен кірістерден шығыстарға өтеді. Олардың архитектурасы негізгі және күрделі жасушалардың ауыспалы қабаттарынан тұратын мидың көрнекі қыртысынан шабыттандырады.
CNN қалай оқытылады?
Сіз компьютерді мысықты анықтауға үйретуге тырысып жатқаныңызды ескеріңіз.
Сіз оған «Міне, мысық» деп мысықтардың көптеген суреттерін көрсетесіз. Мысықтардың жеткілікті суреттерін көргеннен кейін компьютер үшкір құлақтар мен мұрттар сияқты сипаттамаларды тани бастайды.
CNN-дің жұмыс істеу тәсілі өте ұқсас. Компьютерде бірнеше фотосуреттер көрсетіледі және әр суреттегі заттардың аттары беріледі.
Дегенмен, CNN кескіндерді аймақтар сияқты кішірек бөліктерге бөледі. Және ол суреттерді тұтастай қараудың орнына сол аймақтардағы сипаттамаларды анықтауды үйренеді.
Осылайша, CNN бастапқы қабаты жиектер немесе бұрыштар сияқты негізгі сипаттамаларды ғана анықтай алады. Содан кейін келесі қабат пішіндер немесе текстуралар сияқты егжей-тегжейлі мүмкіндіктерді тану үшін соған негізделеді.
Компьютер көбірек кескіндерді қарайтындықтан, қабаттар сол қасиеттерді реттеп, жетілдіре береді. Ол не үйренгенін, мейлі ол мысықтарды, беттерді немесе басқа кез келген нәрсені анықтауда өте шебер болғанша жалғасады.
Күшті терең оқыту құралы: CNN кескінді тануды қалай өзгертті
CNN кескіндердегі үлгілерді анықтау және түсіну арқылы кескінді тануды өзгертті. Нәтижелерді жоғары дәлдікпен қамтамасыз ететіндіктен, CNN кескіндерді жіктеу, іздеу және анықтау қолданбалары үшін ең тиімді архитектура болып табылады.
Олар жиі тамаша нәтиже береді. Және олар нақты әлем қолданбаларында фотосуреттердегі нысандарды дәл анықтайды және анықтайды.
Суреттің кез келген бөлігіндегі үлгілерді табу
Суретте үлгі қай жерде пайда болса да, CNN оны тануға арналған. Олар суреттегі кез келген жерден көрнекі сипаттарды автоматты түрде шығарып алады.
Бұл олардың «кеңістіктік инварианттылық» деп аталатын қабілетінің арқасында мүмкін болды. Процесті жеңілдету арқылы CNN адам ерекшеліктерін алуды қажет етпестен тікелей фотосуреттерден үйрене алады.
Өңдеу жылдамдығы көбірек және жад азырақ пайдаланылады
CNN суреттерді дәстүрлі процестерге қарағанда жылдамырақ және тиімдірек өңдейді. Бұл суретті өңдеуге қажетті параметрлер санын азайтатын біріктіру қабаттарының нәтижесі.
Осылайша олар жадты пайдалану және өңдеу шығындарын азайтады. Көптеген аймақтар CNN пайдаланады, мысалы; тұлғаны тану, бейнелерді санаттау және суретті талдау. Олар тіпті үйреніп қалған галактикаларды жіктейді.
Өмірден алынған мысалдар
Google суреттері - бұл CNN-ді суреттердегі адамдар мен объектілерді анықтау үшін қолданатын нақты әлемде пайдаланудың бірі. Оның үстіне, Azure және Amazon CNN көмегімен нысандарды белгілейтін және анықтайтын кескінді тану API интерфейстерін қамтамасыз етеді.
Деректер жиынын, соның ішінде суретті тану тапсырмаларын пайдалана отырып, нейрондық желілерді оқытуға арналған онлайн интерфейс терең оқыту платформасымен қамтамасыз етілген. NVIDIA сандары.
Бұл қолданбалар шағын ауқымды коммерциялық пайдаланудан фотосуреттерді ұйымдастыруға дейін CNN-ді әртүрлі тапсырмалар үшін қалай пайдалануға болатынын көрсетеді. Тағы да көптеген мысалдарды келтіруге болады.
Конволюциялық нейрондық желілер қалай дамиды?
Денсаулық сақтау - бұл CNN маңызды әсер ететін қызықты сала. Мысалы, олар рентген және МРТ сканерлері сияқты медициналық суреттерді бағалау үшін пайдаланылуы мүмкін. Олар дәрігерге ауруларды тезірек және дәл анықтауға көмектесе алады.
Өзін-өзі басқаратын автомобильдер - CNN объектіні анықтау үшін пайдаланылуы мүмкін тағы бір қызықты қолданба. Бұл көліктердің қоршаған ортаны қаншалықты жақсы түсінетінін және әрекет ететінін жақсарта алады.
Адамдардың көбеюі сонымен қатар жылдам және тиімдірек CNN құрылымдарын, соның ішінде мобильді CNN құрылымдарын құруға мүдделі. Олар смартфондар мен киетін құрылғылар сияқты қуаты аз гаджеттерде қолданылады деп күтілуде.
пікір қалдыру