Ma we qet pirs kiriye ka otomobîlek xwe-ajovan çawa dizane kengê li ber ronahiya sor raweste an têlefona we çawa dikare rûyê we nas bike?
Li vir Tora Neuralî ya Convolutional an bi kurtî CNN tê.
CNN bi mejiyê mirovî re ye ku dikare wêneyan analîz bike da ku diyar bike ka di wan de çi diqewime. Van torgilokan tewra dikarin tiştên ku mirov li ber çavan bigirin jî kifş bikin!
Di vê postê de, em ê li CNN-ê bigerin hînbûna kûr hevgirêk. Ka em bibînin ka ev devera balkêş dikare çi pêşkêşî me bike!
Fêrbûna Kûr çi ye?
Fêrbûna kûr celebek e çêkirî. Ew dihêle ku komputer fêr bibin.
Fêrbûna kûr bi karanîna modelên matematîkî yên tevlihev daneyan pêvajoyê dike. Ji ber vê yekê, komputerek dikare nimûneyan bibîne û daneyan kategorîze bike.
Piştî perwerdehiya bi gelek mînakan dikare biryaran jî bide.
Çima Em Di Fêrbûna Kûr de ji CNN re eleqedar in?
Torên Neuralî yên Hevbeş (CNN) hêmanek girîng a fêrbûna kûr in.
Ew dihêle ku komputer wêneyan û yên din fam bikin daneyên dîtbarî. Em dikarin bi karanîna CNN-ê di fêrbûna kûr de komputeran perwerde bikin ku nimûneyan teşhîs bikin û tiştan li gorî tiştê ku ew "dibînin" nas bikin.
CNN wekî çavên fêrbûna kûr tevdigerin, di têgihîştina jîngehê de arîkariya komputeran dikin!
Îlhama ji Mîmariya Mejî
CNN îlhama xwe ji çawaniya şîrovekirina mejî agahiyê digirin. Neronên çêkirî, an jî girêk, di CNN-an de, ketinan dipejirînin, wan pêvajo dikin, û encamê wekî derketinê radigihînin, çawa ku neuronên mêjî li seranserê laş dikin.
Layera Input
Tebeqeya têketina standardek torê neural inputan di forma rêzan de, wekî pixelên wêneyê, distîne. Di CNN-an de, wêneyek wekî têketinê ji qata têketinê re tê peyda kirin.
Qatên Veşartî
Di CNN-an de çend qatên veşartî hene, ku matematîkê bikar tînin da ku taybetmendiyên ji wêneyê derxînin. Gelek cûrbecûr qat hene, di nav de yekîneyên xêzikî yên bi tevahî ve girêdayî, rastkirî, hevgirtin û tebeqeyên tevlihevkirinê.
Layer Convolution
Qata yekem a ku taybetmendiyan ji wêneyek têketinê derdixîne, qata tevlihevkirinê ye. Wêneyê têketinê tê parzûn kirin, û encam nexşeyek taybetmendiyê ye ku hêmanên sereke yên wêneyê ronî dike.
Pooling Later
Parçeya hevgirtinê ji bo piçûkkirina mezinahiya nexşeya taybetmendiyê tê bikar anîn. Ew berxwedana modelê ji bo guheztina cîhê wêneya têketinê xurt dike.
Tebeqeya Yekîneya Rêzika Rastkirî (ReLU)
Pîvana ReLU tête xebitandin ku modela nehêlebûnê bide. Derketina qata berê bi vê qatê tê aktîfkirin.
Tevahiya Pêvek Girêdayî
Qata bi tevahî ve girêdayî tiştê kategorîze dike û di qata derketinê de nasnameyek yekta destnîşan dike ew qata bi tevahî ve girêdayî ye.
CNN torên Feedforward in
Daneyên tenê bi yek awayê ji têketinê berbi derkanan diherikin. Mîmariya wan ji korteksa dîtbar a mejî, ku ji qatên guhezbar ên hucreyên bingehîn û sofîstîke pêk tê, îlhama xwe digire.
CNN çawa têne perwerde kirin?
Bifikirin ku hûn hewl didin ku komputerek fêr bikin ku pisîkek nas bike.
Dema ku hûn dibêjin, "Li vir pisîkek heye." Piştî dîtina têra xwe wêneyên pisîkan, komputer dest bi naskirina taybetmendiyên mîna guhên tûj û pisîkan dike.
Awayê ku CNN dixebite pir dişibihe. Çend wêne li ser kompîturê têne xuyang kirin, û navên tiştên di her wêneyê de têne dayîn.
Lêbelê, CNN wêneyan li perçeyên piçûktir, wek herêman, dabeş dike. Û, ew fêr dibe ku taybetmendiyên li wan deveran nas bike ne ku tenê wêneyan bi tevahî temaşe bike.
Ji ber vê yekê, tebeqeya destpêkê ya CNN-ê tenê dibe ku taybetmendiyên bingehîn ên mîna qerax an goşeyan tespît bike. Dûv re, qata din li ser wê ava dibe da ku taybetmendiyên berfirehtir ên wekî form an tevnvîs nas bike.
Ji ber ku komputer bêtir wêneyan temaşe dike, qat van taybetmendiyan sererast dikin û xweş dikin. Berdewam dike heya ku ew pir jêhatî dibe di nasîna tiştê ku li ser hatî perwerde kirin, çi pisîk be, çi rû, çi tiştek din.
Amûrek Hînbûna Kûr a Hêzdar: Çawa CNN-ê Naskirina Wêne Veguherand
CNN-ê bi tespîtkirin û têgihiştina qalibên di wêneyan de, naskirina wêneyê veguherandiye. Ji ber ku ew encamên bi astek bilind a rast peyda dikin, CNN mîmariya herî bikêr e ji bo dabeşkirina wêneyan, vegerandin, û sepanên tespîtkirinê.
Ew pir caran encamên pir baş didin. Û, ew di serîlêdanên cîhana rastîn de bi rastî tiştên di wêneyan de destnîşan dikin û nas dikin.
Dîtina Nimûneyên Li Her Parçeyek Wêne
Ne girîng e ku nexşeyek di wêneyek de xuya bibe, CNN têne çêkirin ku wê nas bikin. Ew dikarin bixweber taybetmendiyên dîtbarî ji her cîhek wêneyek derxînin.
Ev bi saya şiyana wan ku wekî "neguhêrbariya cîhê" tê zanîn gengaz e. Bi hêsankirina pêvajoyê, CNN dikarin rasterast ji wêneyan fêr bibin bêyî ku hewcedariya derxistina taybetmendiya mirovî hebe.
Zêdetir Leza Pêvajoyê û Kêm Bîra Bikaranîn
CNN wêneyan ji pêvajoyên kevneşopî zûtir û bikêrtir pêvajoyê dike. Ev encamek qatên hevgirtinê ye, ku jimara pîvanên ku ji bo hilberandina wêneyek hewce ne kêm dike.
Bi vî rengî, ew lêçûnên karanîna bîranîn û pêvajoyê kêm dikin. Gelek herêm CNN bikar tînin, wek; naskirina rû, kategorîzekirina vîdyoyê, û analîzkirina wêneyê. Ew jî bi kar tînin galaksiyan tesnîf bike.
Nimûneyên Rast-Jiyan
Wêneyên Google yek karanîna CNN-an di cîhana rastîn de ye ku wan bikar tîne da ku mirov û tiştên di wêneyan de nas bikin. Herweha, çerm û Amazon API-yên naskirina wêneyê peyda dikin ku bi karanîna CNN-ê tiştan tag dikin û nas dikin.
Têkiliyek serhêl ji bo perwerdekirina torên neuralî ku bi karanîna daneyan, tevî peywirên naskirina wêneyê, ji hêla platforma fêrbûna kûr ve tê peyda kirin. Hejmarên NVIDIA.
Van sepanan destnîşan dikin ka CNN çawa dikare ji bo cûrbecûr karan were bikar anîn, ji dozên karanîna bazirganî yên piçûk bigire heya organîzekirina wêneyên xwe. Gelek mînakên din dikarin bêne fikirîn.
Dê Tora Neuralî ya Hevbeş çawa Pêşve bibin?
Tenduristî pîşesaziyek balkêş e ku tê pêşbînîkirin ku CNN xwedî bandorek girîng be. Mînakî, ew dikarin ji bo nirxandina wêneyên bijîjkî yên mîna tîrêjên X û şaneyên MRI werin bikar anîn. Ew dikarin di teşhîskirina nexweşiyan de bi leztir û rasttir alîkariya bijîjkan bikin.
Otomobîlên xwe-ajotinê serîlêdanek din a balkêş e ku CNN dikare ji bo nasnameya tiştan were bikar anîn. Ew dikare çêtir bike ka wesayît çiqasî li derdora xwe fêm dikin û bertek nîşan didin.
Hejmarek zêde ji mirovan jî eleqedar in ku strukturên CNN-ê yên ku zûtir û bi bandortir in, di nav de CNN-yên mobîl jî biafirînin. Tê payîn ku ew li ser amûrên kêm-hêza mîna têlefon û pêlavan werin bikar anîn.
Leave a Reply