Vai esat kādreiz jautājuši, kā pašbraucoša automašīna zina, kad apstāties pie sarkanās gaismas vai kā tālrunis var atpazīt jūsu seju?
Šeit parādās konvolucionālais neironu tīkls vai saīsināti CNN.
CNN ir salīdzināms ar cilvēka smadzenēm, kas var analizēt attēlus, lai noteiktu, kas tajos notiek. Šie tīkli var pat atklāt lietas, kuras cilvēki nepamanīs!
Šajā ziņojumā mēs izpētīsim CNN dziļa mācīšanās kontekstā. Apskatīsim, ko šī aizraujošā joma mums var piedāvāt!
Kas ir dziļā mācīšanās?
Dziļā mācīšanās ir sava veida mākslīgais intelekts. Tas ļauj datoriem mācīties.
Padziļināta apmācība apstrādā datus, izmantojot sarežģītus matemātiskos modeļus. Lai dators varētu noteikt modeļus un klasificēt datus.
Pēc apmācības ar daudziem piemēriem tā var arī pieņemt lēmumus.
Kāpēc mūs interesē CNN padziļinātajā apmācībā?
Konvolucionālie neironu tīkli (CNN) ir svarīga dziļas mācīšanās sastāvdaļa.
Tie ļauj datoriem saprast attēlus un citus vizuālie dati. Mēs varam apmācīt datorus noteikt modeļus un identificēt objektus, pamatojoties uz to, ko tie "redz", izmantojot CNN dziļajā apmācībā.
CNN darbojas kā dziļas mācīšanās acis, palīdzot datoriem izprast vidi!
Iedvesma no Brain's Architecture
CNN smeļas iedvesmu no tā, kā smadzenes interpretē informāciju. Mākslīgie neironi jeb mezgli CNN pieņem ievadi, apstrādā tos un piegādā rezultātu kā izvadi, tieši tā, kā smadzeņu neironi to dara visā ķermenī.
Ievades slānis
Standarta ievades slānis neironu tīklu saņem ievadi masīvu veidā, piemēram, attēla pikseļus. CNN attēls tiek piegādāts kā ievade ievades slānī.
Slēptie slāņi
CNN ir vairāki slēpti slāņi, kas izmanto matemātiku, lai no attēla iegūtu līdzekļus. Ir vairāki slāņu veidi, tostarp pilnībā saistīti, rektificēti lineārie slāņi, apvienošanas un konvolūcijas slāņi.
Konvolūcijas slānis
Pirmais slānis, kas no ievades attēla iegūst līdzekļus, ir konvolūcijas slānis. Ievadītais attēls tiek filtrēts, un rezultātā tiek iegūta funkciju karte, kas izceļ galvenos attēla elementus.
Apvienošana vēlāk
Apvienošanas slānis tiek izmantots, lai samazinātu objektu kartes izmēru. Tas pastiprina modeļa izturību pret ievades attēla atrašanās vietas maiņu.
Rektificēts lineārās vienības slānis (ReLU)
ReLU slānis tiek izmantots, lai nodrošinātu modeļa nelinearitāti. Šis slānis aktivizē iepriekšējā slāņa izvadi.
Pilnībā savienots slānis
Pilnībā savienotais slānis klasificē vienumu un piešķir tam unikālu ID izvades slānī, kas ir pilnībā savienotais slānis.
CNN ir Feedforward tīkli
Dati plūst no ievades uz izvadiem tikai vienā veidā. To arhitektūra ir iedvesmota no smadzeņu vizuālās garozas, kas sastāv no mainīgiem pamata un izsmalcinātu šūnu slāņiem.
Kā tiek apmācīti CNN?
Apsveriet, ka mēģināt iemācīt datoru identificēt kaķi.
Jūs parādāt tai daudzus kaķu attēlus, sakot: "Šeit ir kaķis." Pēc pietiekami daudz kaķu attēlu apskatīšanas dators sāk atpazīt tādas pazīmes kā smailas ausis un ūsas.
CNN darbības veids ir diezgan līdzīgs. Datorā tiek parādītas vairākas fotogrāfijas, un katrā attēlā ir norādīti lietu nosaukumi.
Tomēr CNN attēlus sadala mazākos gabalos, piemēram, reģionos. Un tā iemācās identificēt šo reģionu iezīmes, nevis tikai skatīt attēlus kopumā.
Tātad CNN sākotnējais slānis var noteikt tikai pamata īpašības, piemēram, malas vai stūrus. Pēc tam nākamais slānis tiek veidots, lai atpazītu detalizētākas funkcijas, piemēram, formas vai faktūras.
Slāņi turpina pielāgot un uzlabot šīs īpašības, jo dators skatās vairāk attēlu. Tas turpinās, līdz kļūst ļoti prasmīgi identificēt visu, uz ko tas ir apmācīts, neatkarīgi no tā, vai tie ir kaķi, sejas vai jebkas cits.
Spēcīgs dziļās mācīšanās rīks: kā CNN pārveidoja attēlu atpazīšanu
Identificējot un izprotot modeļus attēlos, CNN ir pārveidojuši attēlu atpazīšanu. Tā kā tie nodrošina rezultātus ar augstu precizitātes pakāpi, CNN ir visefektīvākā attēlu klasifikācijas, izguves un noteikšanas lietojumprogrammu arhitektūra.
Tie bieži dod lieliskus rezultātus. Un tie precīzi nosaka un identificē objektus fotogrāfijās reālās pasaules lietojumprogrammās.
Rakstu atrašana jebkurā attēla daļā
Neatkarīgi no tā, kur attēlā parādās raksts, CNN ir izstrādāti tā, lai to atpazītu. Tie var automātiski iegūt vizuālos raksturlielumus no jebkuras attēla vietas.
Tas ir iespējams, pateicoties viņu spējai, kas pazīstama kā "telpiskā nemainība". Vienkāršojot procesu, CNN var mācīties tieši no fotoattēliem, neizmantojot cilvēka funkciju izvilkšanu.
Lielāks apstrādes ātrums un mazāk izmantotās atmiņas
CNN apstrādā attēlus ātrāk un efektīvāk nekā tradicionālie procesi. Tas ir slāņu apvienošanas rezultāts, kas samazina attēla apstrādei nepieciešamo parametru skaitu.
Tādā veidā tie samazina atmiņas izmantošanas un apstrādes izmaksas. Daudzās jomās tiek izmantoti CNN, piemēram; sejas atpazīšana, video kategorizēšana un attēlu analīze. Viņi pat ir pieraduši klasificēt galaktikas.
Reālās dzīves piemēri
Google attēli ir viens no CNN izmantošanas veidiem reālajā pasaulē, kas tos izmanto, lai attēlos identificētu cilvēkus un objektus. Turklāt, Debeszils un Amazone nodrošināt attēlu atpazīšanas API, kas atzīmē un identificē objektus, izmantojot CNN.
Tiešsaistes saskarne neironu tīklu apmācībai, izmantojot datu kopas, tostarp attēlu atpazīšanas uzdevumus, nodrošina dziļās mācīšanās platforma NVIDIA cipari.
Šīs lietojumprogrammas parāda, kā CNN var izmantot dažādiem uzdevumiem, sākot no maza mēroga komerciālas izmantošanas gadījumiem līdz fotoattēlu organizēšanai. Var izdomāt vēl daudzus piemērus.
Kā attīstīsies konvolucionālie neironu tīkli?
Veselības aprūpe ir aizraujoša nozare, kurā sagaidāms, ka CNN būs nozīmīga ietekme. Piemēram, tos var izmantot, lai novērtētu medicīniskos attēlus, piemēram, rentgenstarus un MRI skenējumus. Viņi var palīdzēt ārstiem ātrāk un precīzāk diagnosticēt slimības.
Pašpiedziņas automašīnas ir vēl viena interesanta lietojumprogramma, kurā CNN var izmantot objektu identificēšanai. Tas var uzlabot to, cik labi transportlīdzekļi saprot un reaģē uz apkārtni.
Arvien vairāk cilvēku ir ieinteresēti izveidot ātrākas un efektīvākas CNN struktūras, tostarp mobilos CNN. Paredzams, ka tos izmantos mazjaudas sīkrīkos, piemēram, viedtālruņos un valkājamās ierīcēs.
Atstāj atbildi