Дали некогаш сте се запрашале како самоуправувачкиот автомобил знае кога да застане на црвено светло или како вашиот телефон може да го препознае вашето лице?
Тука доаѓа Convolutional Neural Network или накратко CNN.
Си-Ен-Ен е споредлив со човечкиот мозок кој може да анализира слики за да утврди што се случува во нив. Овие мрежи дури можат да детектираат работи што луѓето би ги занемариле!
Во овој пост, ќе го истражиме CNN во длабоко учење контекст. Ајде да видиме што може да ни понуди оваа возбудлива област!
Што е длабоко учење?
Длабокото учење е еден вид вештачка интелигенција. Тоа им овозможува на компјутерите да учат.
Длабокото учење ги обработува податоците користејќи комплицирани математички модели. Така, компјутерот може да открие обрасци и да ги категоризира податоците.
По обуката со многу примери, може и да донесува одлуки.
Зошто сме заинтересирани за CNN за длабоко учење?
Конволуционите невронски мрежи (CNN) се важна компонента на длабокото учење.
Тие им овозможуваат на компјутерите да разберат слики и друго визуелни податоци. Можеме да ги обучиме компјутерите да детектираат обрасци и да ги идентификуваат објектите врз основа на она што го „гледаат“ со користење на CNN во длабокото учење.
Си-ен-ен делува како очи на длабоко учење, помагајќи им на компјутерите да ја разберат околината!
Инспирација од архитектурата на Brain
CNN ја земаат својата инспирација од тоа како мозокот ги толкува информациите. Вештачките неврони, или јазли, во CNN, прифаќаат влезови, ги обработуваат и го испорачуваат резултатот како излез, исто како што прават мозочните неврони низ телото.
Влезен слој
Влезен слој на стандард невронска мрежа прима влезови во форма на низи, како што се пиксели на слики. Во CNN, слика се доставува како влез во влезниот слој.
Скриени слоеви
Постојат неколку скриени слоеви во CNN, кои користат математика за да извлечат карактеристики од сликата. Постојат неколку видови слоеви, вклучувајќи целосно поврзани, исправени линеарни единици, здружени и конволуциони слоеви.
Слој на конволуција
Првиот слој за извлекување карактеристики од влезната слика е слојот на конволуција. Влезната слика е подложена на филтрирање, а резултатот е мапа на карактеристики што ги истакнува клучните елементи на сликата.
Здружување подоцна
Слојот за здружување се користи за да се намали големината на картата на карактеристики. Ја зајакнува отпорноста на моделот за поместување на локацијата на влезната слика.
Поправен линеарен единичен слој (ReLU)
Слојот ReLU се користи за да се даде нелинеарност на моделот. Излезот од претходниот слој се активира од овој слој.
Целосно поврзан слој
Целосно поврзаниот слој ја категоризира ставката и му доделува единствен ID во излезниот слој е целосно поврзаниот слој.
Си-ен-ен се повратни мрежи
Податоците течат само од влезни кон излези на еден начин. Нивната архитектура е инспирирана од визуелниот кортекс на мозокот, кој се состои од наизменични слоеви на основни и софистицирани клетки.
Како се обучуваат CNN?
Размислете дека се обидувате да научите компјутер да идентификува мачка.
Му прикажувате многу слики од мачки додека велите: „Еве мачка“. Откако ќе видите доволно слики од мачки, компјутерот почнува да препознава карактеристики како зашилени уши и мустаќи.
Начинот на кој работи CNN е доста сличен. На компјутерот се прикажуваат неколку фотографии и се дадени имињата на работите на секоја слика.
Сепак, CNN ги дели сликите на помали делови, како што се региони. И, тој учи да ги идентификува карактеристиките во тие региони наместо само да ги гледа сликите како целина.
Значи, почетниот слој на CNN може да открие само основни карактеристики како што се рабовите или аглите. Потоа, следниот слој се надоврзува на тоа за да препознае подетални карактеристики како форми или текстури.
Слоевите продолжуваат да ги прилагодуваат и усовршуваат тие квалитети додека компјутерот гледа повеќе слики. Продолжува сè додека не стане многу умешен во идентификувањето на што и да е тренирано, без разлика дали се работи за мачки, лица или што било друго.
Моќна алатка за длабоко учење: Како CNN го трансформираа препознавањето на слики
Со идентификување и правење смисла на шаблоните во сликите, CNN го трансформираа препознавањето на сликите. Бидејќи обезбедуваат резултати со висок степен на точност, CNN се најефикасната архитектура за апликации за класификација, пронаоѓање и откривање слики.
Тие често даваат одлични резултати. И, тие прецизно ги посочуваат и идентификуваат објектите на фотографиите во апликации од реалниот свет.
Наоѓање обрасци во кој било дел од сликата
Без разлика каде се појавува шема на сликата, CNN се дизајнирани да ја препознаваат. Тие можат автоматски да извлечат визуелни карактеристики од која било локација на сликата.
Ова е можно благодарение на нивната способност позната како „просторна непроменливост“. Со поедноставување на процесот, CNN може да учат директно од фотографии без потреба од екстракција на човечки карактеристики.
Поголема брзина на обработка и помалку искористена меморија
Си-ен-ен ги обработува сликите побрзо и поефикасно од традиционалните процеси. Ова е резултат на здружените слоеви, кои го намалуваат бројот на параметри потребни за обработка на слика.
На овој начин тие ја намалуваат употребата на меморијата и трошоците за обработка. Многу области користат CNN, како што се; препознавање на лице, категоризација на видео и анализа на слики. Дури се навикнати класифицираат галаксии.
Примери од реалниот живот
Слики на Google е една од употребата на CNN во реалниот свет што ги користи за да идентификуваат луѓе и предмети на сликите. Згора на тоа, Сино Амазон обезбедуваат API за препознавање слики кои означуваат и идентификуваат објекти користејќи CNN.
Онлајн интерфејс за обука на невронски мрежи користејќи збирки податоци, вклучувајќи задачи за препознавање слики, е обезбеден од платформата за длабоко учење NVIDIA цифри.
Овие апликации покажуваат како CNN може да се користат за различни задачи, од мали комерцијални случаи за употреба до организирање на нечии фотографии. Може да се замислат уште многу примери.
Како ќе се развиваат конволутивните невронски мрежи?
Здравството е фасцинантна индустрија каде што се очекува CNN да имаат значително влијание. На пример, тие би можеле да се користат за евалуација на медицински слики како што се рендген и скенирање со МРИ. Тие можат да им помогнат на лекарите побрзо и попрецизно да дијагностицираат болести.
Самоуправувачките автомобили се уште една интересна апликација каде што CNN може да се користат за идентификација на објекти. Може да го подобри тоа колку добро возилата разбираат и реагираат на нивната околина.
Сè поголем број луѓе се исто така заинтересирани за создавање структури на CNN кои се побрзи и поефективни, вклучувајќи ги и мобилните CNN. Тие се очекува да се користат на гаџети со мала моќност како паметни телефони и уреди за носење.
Оставете Одговор