Pernahkah anda mempersoalkan bagaimana kereta pandu sendiri tahu masa berhenti di lampu merah atau cara telefon anda boleh mengenal pasti wajah anda?
Di sinilah Convolutional Neural Network atau singkatannya CNN muncul.
CNN adalah setanding dengan otak manusia yang boleh menganalisis imej untuk menentukan apa yang berlaku di dalamnya. Rangkaian ini juga boleh mengesan perkara yang manusia akan terlepas pandang!
Dalam siaran ini, kami akan meneroka CNN dalam pembelajaran mendalam konteks. Mari lihat apa yang kawasan menarik ini boleh tawarkan kepada kita!
Apa itu Pembelajaran Dalam?
Pembelajaran mendalam adalah sejenis kecerdasan buatan. Ia membolehkan komputer belajar.
Pembelajaran mendalam memproses data menggunakan model matematik yang rumit. Supaya, komputer boleh mengesan corak dan mengkategorikan data.
Selepas latihan dengan banyak contoh, ia juga boleh membuat keputusan.
Mengapa Kami Berminat dengan CNN dalam Pembelajaran Mendalam?
Rangkaian Neural Konvolusi (CNN) ialah komponen penting dalam pembelajaran mendalam.
Mereka membenarkan komputer untuk memahami gambar dan lain-lain data visual. Kami boleh melatih komputer untuk mengesan corak dan mengenal pasti objek berdasarkan apa yang mereka "lihat" dengan menggunakan CNN dalam pembelajaran mendalam.
CNN bertindak sebagai mata pembelajaran mendalam, membantu komputer dalam memahami alam sekitar!
Inspirasi daripada Seni Bina Otak
CNN mengambil inspirasi daripada cara otak mentafsir maklumat. Neuron buatan, atau nod, dalam CNN, menerima input, memprosesnya dan menyampaikan hasilnya sebagai output, sama seperti neuron otak lakukan di seluruh badan.
Lapisan Input
Lapisan input standard rangkaian neural menerima input dalam bentuk tatasusunan, seperti piksel gambar. Dalam CNN, gambar dibekalkan sebagai input kepada lapisan input.
Lapisan Tersembunyi
Terdapat beberapa lapisan tersembunyi dalam CNN, yang menggunakan matematik untuk mengekstrak ciri daripada gambar. Terdapat beberapa jenis lapisan, termasuk unit linear yang dipautkan sepenuhnya, diperbetulkan, pengumpulan dan lapisan lilitan.
Lapisan Konvolusi
Lapisan pertama untuk mengekstrak ciri daripada gambar input ialah lapisan lilitan. Imej input tertakluk kepada penapisan, dan hasilnya ialah peta ciri yang menyerlahkan elemen utama imej.
Berkumpul Kemudian
Lapisan pengumpulan digunakan untuk mengecilkan saiz peta ciri. Ia menguatkan rintangan model untuk mengalihkan lokasi gambar input.
Lapisan Unit Linear Dibetulkan (ReLU)
Lapisan ReLU digunakan untuk memberikan model tidak linear. Output lapisan sebelumnya diaktifkan oleh lapisan ini.
Lapisan Bersambung Sepenuhnya
Lapisan bersambung sepenuhnya mengkategorikan item dan memberikannya ID unik dalam lapisan keluaran ialah lapisan bersambung sepenuhnya.
CNN ialah Rangkaian Feedforward
Data hanya mengalir dari input ke output dalam satu cara. Seni bina mereka diilhamkan oleh korteks visual otak, yang terdiri daripada lapisan sel-sel asas dan canggih yang berselang-seli.
Bagaimana CNN Dilatih?
Pertimbangkan bahawa anda cuba mengajar komputer untuk mengenal pasti kucing.
Anda memaparkan kepadanya banyak imej kucing sambil berkata, "Ini kucing." Selepas melihat imej kucing yang mencukupi, komputer mula mengenali ciri-ciri seperti telinga runcing dan misai.
Cara CNN beroperasi agak serupa. Beberapa gambar dipaparkan pada komputer, dan nama benda dalam setiap gambar diberikan.
Walau bagaimanapun, CNN membahagikan imej kepada kepingan yang lebih kecil, seperti wilayah. Dan, ia belajar untuk mengenal pasti ciri-ciri di wilayah tersebut dan bukannya melihat imej secara keseluruhan.
Jadi, lapisan awal CNN hanya boleh mengesan ciri asas seperti tepi atau bucu. Kemudian, lapisan seterusnya membinanya untuk mengenali ciri yang lebih terperinci seperti bentuk atau tekstur.
Lapisan terus menyesuaikan dan mengasah kualiti tersebut apabila komputer melihat lebih banyak imej. Ia berterusan sehingga ia menjadi sangat mahir dalam mengenal pasti apa sahaja yang dilatih, sama ada kucing, muka atau apa-apa sahaja.
Alat Pembelajaran Mendalam yang Berkuasa: Cara CNN Mengubah Pengecaman Imej
Dengan mengenal pasti dan memahami corak dalam imej, CNN, telah mengubah pengecaman imej. Memandangkan ia memberikan hasil dengan tahap ketepatan yang tinggi, CNN ialah seni bina yang paling cekap untuk aplikasi pengelasan, pengambilan dan pengesanan imej.
Mereka sering menghasilkan hasil yang sangat baik. Dan, mereka dengan tepat menentukan dan mengenal pasti objek dalam foto dalam aplikasi dunia sebenar.
Mencari Corak dalam Mana-mana Bahagian Gambar
Tidak kira di mana corak muncul dalam gambar, CNN direka untuk mengenalinya. Mereka boleh mengekstrak ciri visual secara automatik dari mana-mana lokasi dalam gambar.
Ini mungkin disebabkan oleh keupayaan mereka yang dikenali sebagai "invarian ruang." Dengan memudahkan proses, CNN boleh belajar terus daripada foto tanpa memerlukan pengekstrakan ciri manusia.
Lebih Kelajuan Pemprosesan dan Kurang Memori Digunakan
CNN memproses gambar dengan lebih pantas dan lebih cekap daripada proses tradisional. Ini adalah hasil daripada lapisan pengumpulan, yang mengurangkan bilangan parameter yang diperlukan untuk memproses gambar.
Dengan cara ini, mereka mengurangkan penggunaan memori dan kos pemprosesan. Banyak kawasan menggunakan CNN, seperti; pengecaman wajah, pengkategorian video dan analisis gambar. Malah mereka sudah biasa mengelaskan galaksi.
Contoh Kehidupan Nyata
Gambar Google adalah satu penggunaan CNN dalam dunia nyata yang menggunakan mereka untuk mengenal pasti orang dan objek dalam gambar. Lebih-lebih lagi, Azure and Amazon menyediakan API pengecaman imej yang menandai dan mengenal pasti objek menggunakan CNN.
Antara muka dalam talian untuk melatih rangkaian saraf menggunakan set data, termasuk tugas pengecaman gambar, disediakan oleh platform pembelajaran mendalam Digit NVIDIA.
Aplikasi ini menunjukkan cara CNN boleh digunakan untuk pelbagai tugas, daripada kes penggunaan komersial berskala kecil kepada mengatur foto seseorang. Banyak lagi contoh yang boleh difikirkan.
Bagaimanakah Rangkaian Neural Convolutional Akan Berevolusi?
Penjagaan kesihatan ialah industri yang menarik di mana CNN dijangka mempunyai pengaruh yang ketara. Sebagai contoh, ia boleh digunakan untuk menilai gambar perubatan seperti X-ray dan imbasan MRI. Mereka boleh membantu doktor dalam mendiagnosis penyakit dengan lebih cepat dan tepat.
Kereta pandu sendiri ialah satu lagi aplikasi menarik di mana CNN boleh digunakan untuk pengenalan objek. Ia boleh menambah baik sejauh mana kenderaan memahami dan bertindak balas terhadap persekitaran mereka.
Bilangan orang yang semakin meningkat juga berminat untuk mencipta struktur CNN yang lebih pantas dan berkesan, termasuk CNN mudah alih. Ia dijangka akan digunakan pada gajet berkuasa rendah seperti telefon pintar dan boleh pakai.
Sila tinggalkan balasan anda