ایا تاسو کله هم پوښتنه کړې چې څنګه یو ځان چلونکی موټر پوهیږي چې کله په سور څراغ کې ودریږي یا ستاسو تلیفون څنګه ستاسو مخ پیژني؟
دا هغه ځای دی چې د لنډې لپاره Convolutional Neural Network یا CNN راځي.
CNN د انسان دماغ سره د پرتله کولو وړ دی چې کولی شي عکسونه تحلیل کړي ترڅو معلومه کړي چې په دوی کې څه پیښیږي. دا شبکې حتی کولی شي هغه شیان کشف کړي چې انسانان یې سترګې پټوي!
پدې پوسټ کې ، موږ به په CNN کې وپلټو ژوره زده کړه شرایط راځئ وګورو چې دا په زړه پوري سیمه موږ ته څه وړاندیز کولی شي!
ژوره زده کړه څه ده؟
ژوره زده کړه یو ډول دی مصنوعي هوښیارتیا. دا د کمپیوټر زده کولو وړتیا ورکوي.
ژوره زده کړه د پیچلو ریاضياتي ماډلونو په کارولو سره ډاټا پروسس کوي. په دې توګه، کمپیوټر کولی شي نمونې کشف کړي او ډاټا طبقه بندي کړي.
د ډیری مثالونو سره د روزنې وروسته، دا کولی شي پریکړه هم وکړي.
ولې موږ په ژورې زده کړې کې د CNNs سره علاقه لرو؟
Convolutional Neural Networks (CNNs) د ژورې زده کړې یوه مهمه برخه ده.
دوی کمپیوټر ته اجازه ورکوي چې انځورونه او نور درک کړي بصری معلومات. موږ کولی شو کمپیوټر ته روزنه ورکړو چې نمونې کشف کړي او د هغه څه پراساس شیان وپیژني چې دوی یې "وګوري" په ژورې زده کړې کې د CNN په ګمارلو سره.
CNNs د ژورې زده کړې سترګو په توګه کار کوي، د چاپیریال په پوهیدو کې د کمپیوټر سره مرسته کوي!
د دماغ د معمارۍ څخه الهام
CNNs خپل الهام له دې څخه اخلي چې دماغ څنګه معلومات تشریح کوي. مصنوعي نیورونونه، یا نوډونه، په CNNs کې، معلومات مني، پروسس کوي، او پایله یې د محصول په توګه وړاندې کوي، لکه څنګه چې د دماغ نیورونونه په ټول بدن کې ترسره کوي.
د ننوتو پرت
د معیاري داخلولو پرت نوریال شبکه د صفونو په بڼه معلومات ترلاسه کوي، لکه د انځور پکسلز. په CNNs کې، یو انځور د ان پټ پرت ته د ننوتلو په توګه چمتو کیږي.
پټ پرتونه
په CNN کې ډیری پټ پرتونه شتون لري، کوم چې د انځور څخه د ځانګړتیاوو د استخراج لپاره ریاضي کاروي. دلته ډیری ډوله پرتونه شتون لري، پشمول په بشپړه توګه تړل شوي، اصالح شوي خطي واحدونه، پولینګ، او کنولوشن پرتونه.
Convolution Layer
د ان پټ انځور څخه د ځانګړتیاوو د استخراج لپاره لومړی پرت د کنولوشن پرت دی. د ننوتلو عکس د فلټر کولو تابع دی، او پایله یې د ځانګړتیا نقشه ده چې د عکس کلیدي عناصر روښانه کوي.
وروسته حوض کول
د حوض کولو پرت د ځانګړتیا نقشې اندازه کمولو لپاره کارول کیږي. دا د ان پټ عکس موقعیت بدلولو لپاره د ماډل مقاومت پیاوړی کوي.
اصلاح شوي خطي واحد پرت (ReLU)
د ReLU طبقه د دې لپاره کارول کیږي چې ماډل ته غیر خطي بڼه ورکړي. د مخکینۍ پرت محصول د دې پرت لخوا فعال شوی.
په بشپړه توګه وصل پرت
په بشپړ ډول وصل شوی پرت توکي طبقه بندي کوي او ورته د محصول پرت کې یو ځانګړی ID ورکوي په بشپړ ډول وصل شوی پرت دی.
CNNs د فیډفورډ شبکې دي
ډاټا یوازې په یوه طریقه له آخذو څخه محصول ته ځي. د دوی جوړښت د دماغ د بصری کورټیکس څخه الهام اخیستل شوی، کوم چې د بنسټیزو او پیچلو حجرو د بدیل پرتونو څخه جوړ شوی.
CNNs څنګه روزل کیږي؟
په پام کې ونیسئ چې تاسو هڅه کوئ چې د پیشو پیژندلو لپاره کمپیوټر زده کړئ.
تاسو دې ته د پیشوګانو ډیری عکسونه ښکاره کوئ پداسې حال کې چې ووایی ، "دلته یوه پیشو ده." د پیشوګانو د کافي عکسونو لیدو وروسته ، کمپیوټر د مشخصو غوږونو او ویسکرز په څیر ځانګړتیاو پیژندل پیل کوي.
د CNN د کار کولو طریقه خورا ورته ده. په کمپیوټر کې څو عکسونه ښودل کیږي، او په هر عکس کې د شیانو نومونه ورکول کیږي.
په هرصورت، CNN انځورونه په کوچنیو ټوټو ویشي، لکه سیمې. او، دا په دې سیمو کې د ځانګړتیاوو پیژندلو لپاره زده کوي نه یوازې د بشپړ انځورونو لیدلو پر ځای.
نو، د CNN لومړنۍ پرت ممکن یوازې لومړني ځانګړتیاوې لکه څنډې یا کونجونه کشف کړي. بیا، راتلونکی پرت په دې باندې جوړیږي ترڅو نور تفصيلي ځانګړتیاوې لکه فورمې یا جوړښتونه وپیژني.
پرتونه د دې ځانګړتیاو تنظیم او عزت ته دوام ورکوي ځکه چې کمپیوټر ډیر عکسونه ګوري. دا تر هغه وخته پورې دوام کوي چې دا د هر هغه څه په پیژندلو کې خورا ماهر شي چې دا روزل شوی و، ایا دا پیشوګانې، مخونه، یا بل څه دي.
د ژورې زده کړې ځواکمن وسیله: څنګه CNNs د عکس پیژندنه بدله کړه
په عکسونو کې د نمونو په پیژندلو او احساس کولو سره، CNNs د عکس پیژندنه بدله کړې. څرنګه چې دوی د لوړې درجې دقت سره پایلې وړاندې کوي، CNNs د عکس ډلبندۍ، بیرته ترلاسه کولو، او کشف غوښتنلیکونو لپاره خورا اغیزمن جوړښت دی.
دوی ډیری وختونه غوره پایلې ورکوي. او، دوی دقیقا په ریښتینې نړۍ غوښتنلیکونو کې په عکسونو کې شیان په ګوته کوي او پیژني.
د انځور په هره برخه کې د نمونو موندل
مهمه نده چې چیرې په عکس کې نمونه ښکاري ، CNNs د دې پیژندلو لپاره ډیزاین شوي. دوی کولی شي په اتوماتيک ډول په عکس کې له هر ځای څخه بصري ځانګړتیاوې راوباسي.
دا د دوی د وړتیا له امله ممکنه ده چې د "ځایي تغیر" په نوم پیژندل کیږي. د پروسې په ساده کولو سره، CNN کولی شي د انسان د ځانګړتیاوو استخراج ته اړتیا پرته د عکسونو څخه مستقیم زده کړي.
د پروسس کولو ډیر سرعت او لږ حافظه کارول کیږي
CNN د دودیزو پروسو په پرتله ګړندي او ډیر اغیزمن عکسونه پروسس کوي. دا د پولینګ پرتونو پایله ده ، کوم چې د عکس پروسس کولو لپاره اړین پیرامیټرو شمیر کموي.
په دې توګه، دوی د حافظې کارول او پروسس لګښتونه کموي. ډیری سیمې CNNs کاروي، لکه؛ د مخ پیژندنهد ویډیو درجه بندي، او د انځور تحلیل. دوی حتی عادت شوي دي کهکشانونه طبقه بندي کړي.
د حقیقي ژوند مثالونه
د ګوګل عکسونه په ریښتینې نړۍ کې د CNNs کارول دي چې دوی په عکسونو کې د خلکو او شیانو پیژندلو لپاره ګماري. سربیره پردې، لاجوردو او ترلاسه کړئ Amazon د عکس پیژندنې APIs چمتو کړئ چې د CNNs په کارولو سره توکي ټګ او پیژني.
د ډیټاسیټونو په کارولو سره د عصبي شبکو روزنې لپاره آنلاین انٹرفیس ، په شمول د عکس پیژندنې دندې ، د ژورې زده کړې پلیټ فارم لخوا چمتو شوي د NVIDIA ډیجیټل.
دا غوښتنلیکونه ښیې چې څنګه CNNs د مختلف کارونو لپاره کارول کیدی شي ، د کوچنۍ کچې سوداګریزې کارونې قضیې څخه د عکسونو تنظیم کولو پورې. نور ډیر مثالونه فکر کیدی شي.
Convolutional Neural Networks به څنګه وده وکړي؟
روغتیا پاملرنه یو زړه راښکونکی صنعت دی چیرې چې CNN تمه کیږي د پام وړ نفوذ ولري. د مثال په توګه، دوی د طبي عکسونو لکه ایکس رے او MRI سکینونو ارزولو لپاره کارول کیدی شي. دوی کولی شي د ناروغیو په ګړندۍ او دقیق تشخیص کې د کلینیکانو سره مرسته وکړي.
د ځان چلولو موټرې یو بل په زړه پورې غوښتنلیک دی چیرې چې CNNs د شیانو پیژندلو لپاره کارول کیدی شي. دا کولی شي وده وکړي چې وسایط څومره ښه پوهیږي او د دوی شاوخوا شاوخوا عکس العمل ښیې.
د خلکو مخ په زیاتیدونکي شمیر د CNN جوړښتونو رامینځته کولو کې هم علاقه لري چې ګړندي او ډیر اغیزمن وي ، پشمول د ګرځنده CNNs. دوی تمه کیږي چې د ټیټ بریښنا ګیجټونو لکه سمارټ فونونو او اغوستلو وړ توکو کې وکارول شي.
یو ځواب ورکړئ ووځي