ස්වයංක්රීයව ධාවනය වන මෝටර් රථයක් රතු එළියක් අසල නතර කළ යුත්තේ කවදාදැයි දන්නේ කෙසේද යන්න හෝ ඔබේ දුරකථනයට ඔබේ මුහුණ හඳුනා ගන්නේ කෙසේදැයි ඔබ කවදා හෝ ප්රශ්න කර තිබේද?
Convolutional Neural Network හෙවත් CNN කෙටියෙන් පැමිණෙන්නේ මෙහිදීය.
සීඑන්එන් එකක් මිනිස් මොළයක් හා සැසඳිය හැකි අතර එමඟින් ඒවායේ සිදුවන්නේ කුමක්ද යන්න තීරණය කිරීමට රූප විශ්ලේෂණය කළ හැකිය. මෙම ජාලවලට මිනිසුන් නොසලකා හරින දේවල් පවා හඳුනාගත හැකිය!
මෙම ලිපියෙන් අපි CNN ගවේෂණය කරන්නෙමු ගැඹුරු ඉගෙනුම සන්දර්භය. මෙම උද්යෝගිමත් ප්රදේශය අපට ලබා දිය හැකි දේ බලමු!
ගැඹුරු ඉගෙනීම යනු කුමක්ද?
ගැඹුරු ඉගෙනීම එක්තරා ආකාරයක ය කෘතිම බුද්ධිය. එය පරිගණක ඉගෙන ගැනීමට හැකියාව ලබා දෙයි.
ගැඹුරු ඉගෙනීම සංකීර්ණ ගණිතමය ආකෘති භාවිතයෙන් දත්ත සකසයි. එබැවින් පරිගණකයකට රටා හඳුනාගෙන දත්ත වර්ගීකරණය කළ හැකිය.
බොහෝ උදාහරණ සමඟ පුහුණුවීමෙන් පසුව, එය තීරණ ගත හැකිය.
ගැඹුරු ඉගෙනීමේදී අපි සීඑන්එන් ගැන උනන්දු වන්නේ ඇයි?
Convolutional Neural Networks (CNNs) යනු ගැඹුරු ඉගෙනීමේ වැදගත් අංගයකි.
ඒවා පරිගණකවලට පින්තූර සහ වෙනත් දේ තේරුම් ගැනීමට ඉඩ සලසයි දෘශ්ය දත්ත. සීඑන්එන් ගැඹුරු ඉගෙනීම සඳහා යොදා ගැනීමෙන් රටා හඳුනා ගැනීමට සහ ඔවුන් “දකින” දේ මත පදනම්ව වස්තූන් හඳුනා ගැනීමට අපට පරිගණක පුහුණු කළ හැකිය.
සීඑන්එන් ගැඹුරු ඉගෙනීමේ ඇස් ලෙස ක්රියා කරයි, පරිසරය තේරුම් ගැනීමට පරිගණකවලට සහාය වේ!
මොළයේ ගෘහ නිර්මාණ ශිල්පයේ ආභාෂය
CNNs ඔවුන්ගේ ආශ්වාදය ලබා ගන්නේ මොළය තොරතුරු විවරණය කරන ආකාරයෙනි. CNN වල කෘත්රිම නියුරෝන, හෝ නෝඩ්, ආදාන පිළිගෙන, ඒවා ක්රියාවට නංවා, ප්රතිඵලය ප්රතිදානය ලෙස ලබා දෙයි, මොළය නියුරෝන ශරීරය පුරා කරන ආකාරයටම.
ආදාන ස්තරය
සම්මතයක ආදාන ස්ථරය ස්නායු ජාලය පින්තූර පික්සල වැනි අරා ආකාරයෙන් ආදාන ලබයි. CNN වල, ආදාන ස්ථරයට ආදානය ලෙස පින්තූරයක් සපයනු ලැබේ.
සැඟවුණු ස්ථර
සීඑන්එන් වල සැඟවුණු ස්ථර කිහිපයක් ඇත, ඒවා පින්තූරයෙන් විශේෂාංග උකහා ගැනීමට ගණිතය භාවිතා කරයි. සම්පූර්ණයෙන්ම සම්බන්ධිත, නිවැරදි කරන ලද රේඛීය ඒකක, සංචිත සහ සංකෝචන ස්ථර ඇතුළු ස්ථර වර්ග කිහිපයක් තිබේ.
Convolution Layer
ආදාන පින්තූරයකින් විශේෂාංග උකහා ගන්නා පළමු ස්ථරය වන්නේ convolution ස්ථරයයි. ආදාන රූපය පෙරීමට යටත් වන අතර එහි ප්රතිඵලය රූපයේ ප්රධාන අංග ඉස්මතු කරන විශේෂාංග සිතියමකි.
පසුව සංචිත කිරීම
සංචිත ස්තරය විශේෂාංග සිතියමේ ප්රමාණය හැකිලීමට භාවිතා කරයි. එය ආදාන පින්තූරයේ පිහිටීම මාරු කිරීමට ආකෘතියේ ප්රතිරෝධය ශක්තිමත් කරයි.
නිවැරදි කරන ලද රේඛීය ඒකක ස්ථරය (ReLU)
ReLU ස්තරය ආකෘතියට රේඛීය නොවන බව ලබා දීමට යොදා ගනී. පෙර ස්ථරයේ ප්රතිදානය මෙම ස්තරය මගින් සක්රිය වේ.
සම්පුර්ණයෙන්ම සම්බන්ධිත ස්තරය
සම්පුර්ණයෙන්ම සම්බන්ධිත ස්තරය අයිතමය වර්ගීකරණය කර එයට ප්රතිදාන ස්ථරයේ අනන්ය හැඳුනුම්පතක් පවරන්නේ සම්පුර්ණයෙන්ම සම්බන්ධිත ස්තරයයි.
CNNs Feedforward Networks වේ
දත්ත එක් ආකාරයකින් පමණක් යෙදවුම් වලින් ප්රතිදානය වෙත ගලා යයි. ඔවුන්ගේ ගෘහ නිර්මාණ ශිල්පය මොළයේ දෘශ්ය බාහිකයෙන් ආභාසය ලබා ඇති අතර එය මූලික හා සංකීර්ණ සෛලවල ප්රත්යාවර්ත ස්ථර වලින් සෑදී ඇත.
CNN පුහුණු කරන්නේ කෙසේද?
ඔබ බළලෙකු හඳුනා ගැනීමට පරිගණකයක් ඉගැන්වීමට උත්සාහ කරන බව සලකන්න.
"මෙන්න පූසෙක්" කියමින් ඔබ එයට බළලුන්ගේ බොහෝ පින්තූර පෙන්වයි. බළලුන්ගේ ප්රමාණවත් පින්තූර බැලීමෙන් පසු, පරිගණකය උල් වූ කන් සහ උඩු රැවුල වැනි ලක්ෂණ හඳුනා ගැනීමට පටන් ගනී.
CNN ක්රියාත්මක වන ආකාරය බොහෝ දුරට සමාන ය. පරිගණකයේ ඡායාරූප කිහිපයක් දර්ශනය වන අතර, එක් එක් පින්තූරයේ ඇති දේවල නම් ලබා දී ඇත.
කෙසේ වෙතත්, සීඑන්එන් රූප කලාප වැනි කුඩා කැබලිවලට බෙදයි. තවද, එය සමස්තයක් ලෙස පින්තූර බැලීම වෙනුවට එම කලාපවල ලක්ෂණ හඳුනා ගැනීමට ඉගෙන ගනී.
එබැවින්, CNN හි ආරම්භක ස්තරය හඳුනාගත හැක්කේ දාර හෝ කොන් වැනි මූලික ලක්ෂණ පමණි. ඉන්පසුව, පෝරම හෝ වයනය වැනි වඩාත් සවිස්තරාත්මක විශේෂාංග හඳුනා ගැනීමට මීළඟ ස්ථරය ගොඩනැගේ.
පරිගණකය වැඩිපුර පින්තූර නරඹන විට ස්ථර එම ගුණාංග සීරුමාරු කරමින් හා ඔප් නංවයි. එය බළලුන්, මුහුණු හෝ වෙනත් ඕනෑම දෙයක් සඳහා පුහුණු කරන ලද ඕනෑම දෙයක් හඳුනා ගැනීමට ඉතා දක්ෂ වන තෙක් එය සිදු වේ.
බලවත් ගැඹුරු ඉගෙනුම් මෙවලමක්: සීඑන්එන් රූප හඳුනාගැනීම පරිවර්තනය කරන්නේ කෙසේද?
රූපවල රටා හඳුනාගෙන ඒවා අවබෝධ කර ගැනීමෙන්, CNNs, රූප හඳුනාගැනීම පරිවර්තනය කර ඇත. ඒවා ඉහළ නිරවද්යතාවයකින් ප්රතිඵල සපයන බැවින්, CNNs රූප වර්ගීකරණය, ලබා ගැනීම සහ හඳුනාගැනීමේ යෙදුම් සඳහා වඩාත් කාර්යක්ෂම ගෘහ නිර්මාණ ශිල්පය වේ.
ඔවුන් බොහෝ විට විශිෂ්ට ප්රතිඵල ලබා දෙයි. තවද, ඔවුන් සැබෑ-ලෝක යෙදුම්වල ඡායාරූපවල ඇති වස්තූන් නිශ්චිතවම හඳුනාගෙන හඳුනා ගනී.
පින්තූරයක ඕනෑම කොටසක රටා සෙවීම
පින්තූරයක කොතැනක රටාවක් දිස් වුවද, CNN එය හඳුනා ගැනීමට නිර්මාණය කර ඇත. පින්තූරයක ඕනෑම ස්ථානයක සිට දෘශ්ය ලක්ෂණ ස්වයංක්රීයව උකහා ගත හැකිය.
මෙය කළ හැක්කේ "අවකාශ විචලනය" ලෙස හැඳින්වෙන ඔවුන්ගේ හැකියාව නිසාය. ක්රියාවලිය සරල කිරීම මගින්, CNNs හට මානව ලක්ෂණ උකහා ගැනීමේ අවශ්යතාවයකින් තොරව ඡායාරූප වලින් කෙලින්ම ඉගෙන ගත හැක.
වැඩි සැකසුම් වේගය සහ අඩු මතකය භාවිතා වේ
CNNs සාම්ප්රදායික ක්රියාවලීන්ට වඩා වේගයෙන් සහ කාර්යක්ෂමව පින්තූර සකසයි. මෙය සංචිත ස්ථර වල ප්රතිඵලයක් වන අතර එමඟින් පින්තූරයක් සැකසීමට අවශ්ය පරාමිති ගණන අඩු වේ.
මේ ආකාරයෙන්, ඔවුන් මතක භාවිතය සහ සැකසුම් පිරිවැය අඩු කරයි. බොහෝ ප්රදේශ CNN භාවිතා කරයි, වැනි; මුහුණ හඳුනා ගැනීම, වීඩියෝ වර්ගීකරණය සහ පින්තූර විශ්ලේෂණය. ඔවුන් පවා පුරුදු වී ඇත මන්දාකිණි වර්ග කරන්න.
සැබෑ ජීවිතයේ උදාහරණ
ගූගල් පින්තූර යනු සැබෑ ලෝකයේ CNN වල එක් භාවිතයක් වන අතර එය පින්තූරවල ඇති පුද්ගලයින් සහ වස්තූන් හඳුනා ගැනීමට ඒවා භාවිතා කරයි. තව, Azure සහ ඇමේසන් CNN භාවිතා කරමින් වස්තු ටැග් කර හඳුනා ගන්නා රූප හඳුනාගැනීමේ API සපයන්න.
පින්තූර හඳුනාගැනීමේ කාර්යයන් ඇතුළුව දත්ත කට්ටල භාවිතා කරමින් ස්නායුක ජාල පුහුණු කිරීම සඳහා සබැඳි අතුරු මුහුණතක් ගැඹුරු ඉගෙනුම් වේදිකාව මගින් සපයනු ලැබේ. NVIDIA ඉලක්කම්.
කුඩා පරිමාණයේ වාණිජ භාවිත අවස්ථාවන්හි සිට කෙනෙකුගේ ඡායාරූප සංවිධානය කිරීම දක්වා විවිධ කාර්යයන් සඳහා CNN භාවිතා කළ හැකි ආකාරය මෙම යෙදුම් පෙන්වයි. තවත් බොහෝ උදාහරණ සිතිය හැකිය.
Convolutional Neural Networks පරිණාමය වන්නේ කෙසේද?
සෞඛ්ය ආරක්ෂණය යනු CNN සැලකිය යුතු බලපෑමක් ඇති කරනු ඇතැයි අපේක්ෂා කරන සිත් ඇදගන්නා කර්මාන්තයකි. නිදසුනක් වශයෙන්, X-ray සහ MRI ස්කෑන් වැනි වෛද්ය පින්තූර ඇගයීමට ඒවා භාවිතා කළ හැකිය. ඔවුන් ඉක්මනින් හා නිවැරදිව රෝග විනිශ්චය කිරීමට වෛද්යවරුන්ට සහාය විය හැක.
Self-driving automobiles යනු CNNs වස්තු හඳුනාගැනීම සඳහා භාවිතා කළ හැකි තවත් රසවත් යෙදුමකි. එය වාහන ඔවුන්ගේ වටපිටාව කොතරම් හොඳින් තේරුම් ගෙන ප්රතිචාර දක්වනවාද යන්න වැඩිදියුණු කළ හැකිය.
ජංගම CNN ඇතුළුව වේගවත් හා වඩාත් ඵලදායී CNN ව්යුහයන් නිර්මාණය කිරීමට වැඩි වන සංඛ්යාවක් ද උනන්දු වෙති. ස්මාර්ට්ෆෝන් සහ පැළඳිය හැකි උපකරණ වැනි අඩු බලැති උපකරණ මත ඒවා භාවිතා කිරීමට අපේක්ෂා කෙරේ.
ඔබමයි