តើអ្នកធ្លាប់ចោទសួរថា តើរថយន្តបើកបរដោយខ្លួនឯង ដឹងថាពេលណាត្រូវឈប់ភ្លើងក្រហម ឬទូរស័ព្ទរបស់អ្នកអាចសម្គាល់មុខរបស់អ្នកដោយរបៀបណា?
នេះគឺជាកន្លែងដែលបណ្តាញសរសៃប្រសាទ Convolutional ឬ CNN ចូលមក។
ទូរទស្សន៍ CNN គឺអាចប្រៀបធៀបទៅនឹងខួរក្បាលមនុស្ស ដែលអាចវិភាគរូបភាពដើម្បីកំណត់នូវអ្វីដែលកំពុងកើតឡើងនៅក្នុងពួកគេ។ បណ្តាញទាំងនេះថែមទាំងអាចរកឃើញវត្ថុដែលមនុស្សនឹងមើលរំលង!
នៅក្នុងការប្រកាសនេះ យើងនឹងស្វែងយល់ពី CNN នៅក្នុង ការរៀនសូត្រជ្រៅ បរិបទ។ ចាំមើលថាតើតំបន់ដ៏រំភើបនេះអាចផ្តល់ឱ្យយើងនូវអ្វីខ្លះ!
តើការសិក្សាស៊ីជម្រៅគឺជាអ្វី?
ការរៀនសូត្រជ្រៅគឺជាប្រភេទមួយ។ ក្លែងបន្លំ. វាអនុញ្ញាតឱ្យកុំព្យូទ័ររៀន។
ការរៀនស៊ីជម្រៅដំណើរការទិន្នន័យដោយប្រើគំរូគណិតវិទ្យាដ៏ស្មុគស្មាញ។ ដូច្នេះ កុំព្យូទ័រអាចរកឃើញលំនាំ និងចាត់ថ្នាក់ទិន្នន័យ។
បន្ទាប់ពីការបណ្តុះបណ្តាលជាមួយនឹងឧទាហរណ៍ជាច្រើន វាក៏អាចធ្វើការសម្រេចចិត្តផងដែរ។
ហេតុអ្វីបានជាយើងចាប់អារម្មណ៍លើ CNNs ក្នុងការរៀនជ្រៅ?
Convolutional Neural Networks (CNNs) គឺជាធាតុផ្សំដ៏សំខាន់នៃការសិក្សាស៊ីជម្រៅ។
ពួកគេអនុញ្ញាតឱ្យកុំព្យូទ័រអាចយល់រូបភាព និងផ្សេងៗទៀត ទិន្នន័យដែលមើលឃើញ. យើងអាចបណ្តុះបណ្តាលកុំព្យូទ័រឱ្យរកឃើញគំរូ និងកំណត់អត្តសញ្ញាណវត្ថុដោយផ្អែកលើអ្វីដែលពួកគេ "មើលឃើញ" ដោយប្រើប្រាស់ CNNs ក្នុងការរៀនសូត្រស៊ីជម្រៅ។
CNN ដើរតួជាភ្នែកសិក្សាជ្រៅ ជួយកុំព្យូទ័រក្នុងការយល់ដឹងអំពីបរិស្ថាន!
ការបំផុសគំនិតពីស្ថាបត្យកម្មខួរក្បាល
CNNs ទទួលយកការបំផុសគំនិតរបស់ពួកគេពីរបៀបដែលខួរក្បាលបកស្រាយព័ត៌មាន។ ណឺរ៉ូនសិប្បនិម្មិត ឬថ្នាំងនៅក្នុង CNNs ទទួលយកធាតុចូល ដំណើរការពួកវា និងផ្តល់លទ្ធផលជាលទ្ធផល គ្រាន់តែជាវិធីដែលណឺរ៉ូនខួរក្បាលធ្វើនៅទូទាំងរាងកាយ។
ស្រទាប់បញ្ចូល
ស្រទាប់បញ្ចូលនៃស្តង់ដារ បណ្តាញសរសៃប្រសាទ ទទួលធាតុបញ្ចូលក្នុងទម្រង់អារេ ដូចជាភីកសែលរូបភាព។ នៅក្នុង CNNs រូបភាពមួយត្រូវបានផ្គត់ផ្គង់ជាការបញ្ចូលទៅក្នុងស្រទាប់បញ្ចូល។
ស្រទាប់លាក់
មានស្រទាប់លាក់ជាច្រើននៅក្នុង CNNs ដែលប្រើគណិតវិទ្យាដើម្បីទាញយកលក្ខណៈពិសេសចេញពីរូបភាព។ មានស្រទាប់ជាច្រើនប្រភេទ រួមមាន ស្រទាប់លីនេអ៊ែរដែលភ្ជាប់គ្នាទាំងស្រុង ការកែតម្រូវ ការដាក់បញ្ចូលគ្នា និងស្រទាប់ convolution ។
ស្រទាប់ Convolution
ស្រទាប់ទីមួយដើម្បីទាញយកលក្ខណៈពិសេសពីរូបភាពបញ្ចូលគឺស្រទាប់ convolution ។ រូបភាពបញ្ចូលត្រូវបានទទួលរងការត្រង ហើយលទ្ធផលគឺជាផែនទីលក្ខណៈពិសេសដែលរំលេចធាតុសំខាន់ៗនៃរូបភាព។
បូកបញ្ចូលនៅពេលក្រោយ
ស្រទាប់ដាក់បញ្ចូលគ្នាត្រូវបានប្រើដើម្បីបង្រួមទំហំនៃផែនទីលក្ខណៈពិសេស។ វាពង្រឹងភាពធន់របស់ម៉ូដែលក្នុងការផ្លាស់ប្តូរទីតាំងនៃរូបភាពបញ្ចូល។
ស្រទាប់ឯកតាលីនេអ៊ែរដែលបានកែតម្រូវ (ReLU)
ស្រទាប់ ReLU ត្រូវបានប្រើដើម្បីផ្តល់ឱ្យគំរូដែលមិនមានលីនេអ៊ែរ។ លទ្ធផលនៃស្រទាប់មុនត្រូវបានធ្វើឱ្យសកម្មដោយស្រទាប់នេះ។
ស្រទាប់ភ្ជាប់យ៉ាងពេញលេញ
ស្រទាប់ដែលបានតភ្ជាប់យ៉ាងពេញលេញ ចាត់ថ្នាក់ធាតុ និងកំណត់ឱ្យវានូវលេខសម្គាល់តែមួយគត់នៅក្នុងស្រទាប់លទ្ធផល គឺជាស្រទាប់ដែលបានតភ្ជាប់ទាំងស្រុង។
CNNs គឺជាបណ្តាញ Feedforward
ទិន្នន័យហូរតែពីធាតុចូលទៅលទ្ធផលក្នុងវិធីមួយ។ ស្ថាបត្យកម្មរបស់ពួកគេត្រូវបានបំផុសគំនិតដោយ Cortex ដែលមើលឃើញរបស់ខួរក្បាលដែលត្រូវបានបង្កើតឡើងដោយស្រទាប់ជំនួសនៃកោសិកាមូលដ្ឋាននិងស្មុគ្រស្មាញ។
តើ CNN ត្រូវបានបណ្តុះបណ្តាលយ៉ាងដូចម្តេច?
ពិចារណាថាអ្នកកំពុងព្យាយាមបង្រៀនកុំព្យូទ័រដើម្បីកំណត់អត្តសញ្ញាណឆ្មា។
អ្នកបង្ហាញរូបឆ្មាជាច្រើនដល់វា ខណៈដែលនិយាយថា "នេះជាឆ្មា"។ បន្ទាប់ពីមើលរូបភាពឆ្មាគ្រប់គ្រាន់ កុំព្យូទ័រចាប់ផ្តើមសម្គាល់លក្ខណៈដូចជាត្រចៀកចង្អុល និងវីស្គី។
របៀបដែល CNN ដំណើរការគឺស្រដៀងគ្នា។ រូបថតជាច្រើនត្រូវបានបង្ហាញនៅលើកុំព្យូទ័រ ហើយឈ្មោះរបស់វត្ថុនៅក្នុងរូបភាពនីមួយៗត្រូវបានផ្តល់ឱ្យ។
ទោះយ៉ាងណាក៏ដោយ CNN បានបែងចែករូបភាពទៅជាបំណែកតូចៗ ដូចជាតំបន់ជាដើម។ ហើយវារៀនដើម្បីកំណត់លក្ខណៈនៅក្នុងតំបន់ទាំងនោះ ជាជាងគ្រាន់តែមើលរូបភាពទាំងមូល។
ដូច្នេះ ស្រទាប់ដំបូងរបស់ CNN អាចរកឃើញតែលក្ខណៈមូលដ្ឋានដូចជាគែម ឬជ្រុង។ បន្ទាប់មក ស្រទាប់បន្ទាប់បង្កើតនៅលើនោះ ដើម្បីសម្គាល់លក្ខណៈលម្អិតបន្ថែមទៀត ដូចជាទម្រង់ ឬវាយនភាពជាដើម។
ស្រទាប់បន្តកែតម្រូវ និងគោរពគុណភាពទាំងនោះ នៅពេលដែលកុំព្យូទ័រមើលរូបភាពកាន់តែច្រើន។ វាបន្តរហូតដល់វាមានភាពស្ទាត់ជំនាញក្នុងការកំណត់អត្តសញ្ញាណអ្វីក៏ដោយដែលវាត្រូវបានបណ្តុះបណ្តាល មិនថាវាជាឆ្មា មុខ ឬអ្វីផ្សេងទៀត។
ឧបករណ៍សិក្សាស៊ីជម្រៅដ៏មានឥទ្ធិពល៖ របៀបដែល CNNs ផ្លាស់ប្តូរការទទួលស្គាល់រូបភាព
តាមរយៈការកំណត់អត្តសញ្ញាណ និងធ្វើឱ្យយល់អំពីគំរូនៅក្នុងរូបភាព CNNs បានផ្លាស់ប្តូរការទទួលស្គាល់រូបភាព។ ចាប់តាំងពីពួកគេផ្តល់លទ្ធផលជាមួយនឹងកម្រិតខ្ពស់នៃភាពត្រឹមត្រូវ CNNs គឺជាស្ថាបត្យកម្មដ៏មានប្រសិទ្ធភាពបំផុតសម្រាប់ការចាត់ថ្នាក់រូបភាព ការទាញយក និងកម្មវិធីរាវរក។
ពួកវាច្រើនតែផ្តល់លទ្ធផលល្អ។ ហើយពួកគេកំណត់យ៉ាងជាក់លាក់ និងកំណត់អត្តសញ្ញាណវត្ថុនៅក្នុងរូបថតនៅក្នុងកម្មវិធីពិភពពិត។
ស្វែងរកលំនាំនៅក្នុងផ្នែកណាមួយនៃរូបភាព
មិនថាគំរូមួយលេចឡើងក្នុងរូបភាពមួយណាក៏ដោយ CNNs ត្រូវបានរចនាឡើងដើម្បីទទួលស្គាល់វា។ ពួកគេអាចទាញយកលក្ខណៈដែលមើលឃើញដោយស្វ័យប្រវត្តិពីទីតាំងណាមួយនៅក្នុងរូបភាព។
នេះអាចទៅរួចដោយសារសមត្ថភាពរបស់ពួកគេដែលគេស្គាល់ថាជា "ភាពប្រែប្រួលតាមលំហ"។ តាមរយៈការធ្វើឱ្យដំណើរការកាន់តែងាយស្រួល ទូរទស្សន៍ CNN អាចរៀនដោយផ្ទាល់ពីរូបថតដោយមិនចាំបាច់ត្រូវការការទាញយកលក្ខណៈពិសេសរបស់មនុស្សឡើយ។
ល្បឿនដំណើរការកាន់តែច្រើន និងប្រើប្រាស់អង្គចងចាំតិចជាងមុន។
CNNs ដំណើរការរូបភាពលឿន និងមានប្រសិទ្ធភាពជាងដំណើរការប្រពៃណី។ នេះជាលទ្ធផលនៃការដាក់ស្រទាប់ដែលបន្ថយចំនួនប៉ារ៉ាម៉ែត្រដែលតម្រូវឱ្យដំណើរការរូបភាព។
វិធីនេះ កាត់បន្ថយការប្រើប្រាស់អង្គចងចាំ និងចំណាយលើដំណើរការ។ តំបន់ជាច្រើនប្រើ CNNs ដូចជា; ការទទួលស្គាល់មុខការចាត់ថ្នាក់វីដេអូ និងការវិភាគរូបភាព។ ពួកគេថែមទាំងធ្លាប់ប្រើ ចាត់ថ្នាក់កាឡាក់ស៊ី.
ឧទាហរណ៍នៃជីវិតពិត
រូបភាពហ្គូហ្គល គឺជាការប្រើប្រាស់មួយរបស់ CNN នៅក្នុងពិភពពិត ដែលផ្តល់ការងារឱ្យពួកគេដើម្បីកំណត់អត្តសញ្ញាណមនុស្ស និងវត្ថុនៅក្នុងរូបភាព។ លើសពីនេះទៅទៀត Azure និង Amazon ផ្តល់ APIs ការទទួលស្គាល់រូបភាពដែលដាក់ស្លាក និងកំណត់អត្តសញ្ញាណវត្ថុដោយប្រើ CNNs ។
ចំណុចប្រទាក់អនឡាញសម្រាប់ការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទដោយប្រើសំណុំទិន្នន័យ រួមទាំងកិច្ចការទទួលស្គាល់រូបភាពត្រូវបានផ្តល់ដោយវេទិកាសិក្សាស៊ីជម្រៅ លេខ NVIDIA.
កម្មវិធីទាំងនេះបង្ហាញពីរបៀបដែល CNNs អាចត្រូវបានប្រើប្រាស់សម្រាប់កិច្ចការផ្សេងៗ ចាប់ពីករណីប្រើប្រាស់ពាណិជ្ជកម្មខ្នាតតូច រហូតដល់ការរៀបចំរូបថត។ ឧទាហរណ៍ជាច្រើនទៀតអាចត្រូវបានគិត។
តើបណ្តាញសរសៃប្រសាទ Convolutional នឹងវិវឌ្ឍន៍យ៉ាងដូចម្តេច?
ការថែទាំសុខភាពគឺជាឧស្សាហកម្មដ៏គួរឱ្យចាប់អារម្មណ៍មួយដែល CNNs ត្រូវបានគេរំពឹងថានឹងមានឥទ្ធិពលយ៉ាងសំខាន់។ ជាឧទាហរណ៍ ពួកវាអាចត្រូវបានប្រើដើម្បីវាយតម្លៃរូបភាពវេជ្ជសាស្ត្រ ដូចជាការថតកាំរស្មី X និង MRI ជាដើម។ ពួកគេអាចជួយគ្រូពេទ្យក្នុងការធ្វើរោគវិនិច្ឆ័យជំងឺបានលឿន និងត្រឹមត្រូវជាងមុន។
រថយន្តបើកបរដោយខ្លួនឯងគឺជាកម្មវិធីដ៏គួរឱ្យចាប់អារម្មណ៍មួយផ្សេងទៀតដែល CNNs អាចត្រូវបានប្រើប្រាស់សម្រាប់ការកំណត់អត្តសញ្ញាណវត្ថុ។ វាអាចកែលម្អពីរបៀបដែលយានជំនិះយល់ និងប្រតិកម្មចំពោះបរិស្ថានជុំវិញខ្លួនបានល្អ
ការកើនឡើងនៃចំនួនមនុស្សក៏ចាប់អារម្មណ៍ក្នុងការបង្កើតរចនាសម្ព័ន្ធ CNN ដែលលឿន និងមានប្រសិទ្ធភាពជាងមុន រួមទាំង CNN ចល័តផងដែរ។ ពួកគេត្រូវបានគេរំពឹងថានឹងត្រូវបានប្រើនៅលើឧបករណ៍ថាមពលទាបដូចជាស្មាតហ្វូន និងឧបករណ៍ពាក់។
សូមផ្ដល់យោបល់