Ste se kdaj vprašali, kako samovozeči avto ve, kdaj se mora ustaviti pri rdeči luči, ali kako lahko vaš telefon prepozna vaš obraz?
Tu nastopi konvolucijska nevronska mreža ali na kratko CNN.
CNN je primerljiv s človeškimi možgani, ki lahko analizirajo slike in ugotovijo, kaj se v njih dogaja. Ta omrežja lahko celo zaznajo stvari, ki bi jih ljudje spregledali!
V tej objavi bomo raziskali CNN v globoko učenje kontekstu. Poglejmo, kaj nam lahko ponudi to razburljivo področje!
Kaj je globoko učenje?
Globoko učenje je neke vrste Umetna inteligenca. Računalnikom omogoča učenje.
Globoko učenje obdeluje podatke z uporabo zapletenih matematičnih modelov. Tako lahko računalnik zazna vzorce in kategorizira podatke.
Po usposabljanju s številnimi primeri lahko tudi sprejema odločitve.
Zakaj nas CNN zanimajo za globoko učenje?
Konvolucijske nevronske mreže (CNN) so pomembna sestavina globokega učenja.
Računalnikom omogočajo razumevanje slik in drugega vizualni podatki. Računalnike lahko usposobimo za odkrivanje vzorcev in prepoznavanje predmetov na podlagi tega, kar »vidijo«, z uporabo CNN-jev pri globokem učenju.
CNN delujejo kot oči globokega učenja in pomagajo računalnikom pri razumevanju okolja!
Navdih iz Brain's Architecture
CNN se zgleduje po tem, kako možgani razlagajo informacije. Umetni nevroni ali vozlišča v CNN sprejemajo vhodne podatke, jih obdelujejo in oddajo rezultat kot rezultat, prav tako kot možganski nevroni po vsem telesu.
Vhodna plast
Vhodna plast standarda nevronska mreža sprejema vhodne podatke v obliki nizov, kot so slikovne pike. V CNN je slika dobavljena kot vhod v vhodni sloj.
Skriti sloji
V CNN je več skritih plasti, ki uporabljajo matematiko za izločanje funkcij iz slike. Obstaja več vrst plasti, vključno s popolnoma povezanimi, popravljenimi linearnimi enotami, združevanjem in konvolucijskimi plastmi.
Konvolucijski sloj
Prva plast, ki ekstrahira funkcije iz vhodne slike, je konvolucijska plast. Vhodna slika je izpostavljena filtriranju, rezultat pa je zemljevid funkcij, ki poudarja ključne elemente slike.
Združevanje pozneje
Plast združevanja se uporablja za zmanjšanje velikosti zemljevida funkcij. Krepi odpornost modela proti premikanju lokacije vhodne slike.
Rektificirana plast linearne enote (ReLU)
Plast ReLU je uporabljena za zagotavljanje nelinearnosti modela. Izhod predhodne plasti aktivira ta plast.
Popolnoma povezan sloj
Popolnoma povezana plast kategorizira element in mu dodeli edinstven ID v izhodni plasti je popolnoma povezana plast.
CNN so omrežja za naprej
Podatki tečejo od vhodov do izhodov samo na en način. Njihova arhitektura se zgleduje po možganski vizualni korteksu, ki je sestavljena iz izmenjujočih se plasti osnovnih in sofisticiranih celic.
Kako so CNN-ji usposobljeni?
Recimo, da poskušate naučiti računalnik prepoznati mačko.
Pokažete mu veliko slik mačk, medtem ko rečete: "Tukaj je mačka." Po ogledu dovolj slik mačk začne računalnik prepoznavati značilnosti, kot so koničasta ušesa in brki.
Način delovanja CNN je precej podoben. Na računalniku je prikazanih več fotografij in podana so imena stvari na vsaki sliki.
Vendar pa CNN deli slike na manjše dele, kot so regije. Poleg tega se nauči prepoznati značilnosti v teh regijah, namesto da bi le gledal slike kot celoto.
Torej lahko začetni sloj CNN zazna samo osnovne značilnosti, kot so robovi ali vogali. Nato naslednja plast gradi na tem, da prepozna podrobnejše funkcije, kot so oblike ali teksture.
Plasti še naprej prilagajajo in izpopolnjujejo te lastnosti, ko si računalnik ogleda več slik. Nadaljuje se, dokler ne postane zelo spreten pri prepoznavanju ne glede na to, na čemer je bil urjen, pa naj so to mačke, obrazi ali karkoli drugega.
Zmogljivo orodje za poglobljeno učenje: kako so CNN spremenili prepoznavanje slik
S prepoznavanjem in razumevanjem vzorcev v slikah so CNN-ji spremenili prepoznavanje slik. Ker zagotavljajo rezultate z visoko stopnjo natančnosti, so CNN najučinkovitejša arhitektura za aplikacije za klasifikacijo, iskanje in zaznavanje slik.
Pogosto dajejo odlične rezultate. Poleg tega natančno določijo in identificirajo predmete na fotografijah v aplikacijah iz resničnega sveta.
Iskanje vzorcev v katerem koli delu slike
Ne glede na to, kje se na sliki pojavi vzorec, so CNN zasnovani tako, da ga prepoznajo. Samodejno lahko izvlečejo vizualne značilnosti iz katere koli lokacije na sliki.
To je mogoče zaradi njihove sposobnosti, znane kot "prostorska invariantnost". S poenostavitvijo postopka se lahko CNN učijo neposredno iz fotografij, ne da bi potrebovali človeško ekstrakcijo funkcij.
Večja hitrost obdelave in manj porabljenega pomnilnika
CNN obdeluje slike hitreje in učinkoviteje kot tradicionalni procesi. To je posledica združevanja plasti, ki zmanjšujejo število parametrov, potrebnih za obdelavo slike.
Na ta način zmanjšajo porabo pomnilnika in stroške obdelave. Mnoga področja uporabljajo CNN, kot so; prepoznavanje obraza, kategorizacija videa in analiza slike. Celo navajeni so razvrstite galaksije.
Primeri iz resničnega življenja
Google Slike je ena uporaba CNN-jev v resničnem svetu, ki jih uporablja za prepoznavanje ljudi in predmetov na slikah. Še več, Azure in Amazon zagotavljajo API-je za prepoznavanje slik, ki označujejo in identificirajo predmete z uporabo CNN.
Spletni vmesnik za usposabljanje nevronskih mrež z uporabo naborov podatkov, vključno z nalogami prepoznavanja slik, zagotavlja platforma za globoko učenje Številke NVIDIA.
Te aplikacije prikazujejo, kako se lahko CNN uporabljajo za različne naloge, od manjših primerov komercialne uporabe do organiziranja lastnih fotografij. Še veliko primerov si je mogoče zamisliti.
Kako se bodo razvijale konvolucijske nevronske mreže?
Zdravstveno varstvo je fascinantna panoga, kjer se pričakuje, da bodo CNN imeli pomemben vpliv. Lahko bi jih na primer uporabili za ocenjevanje medicinskih slik, kot so rentgenski žarki in MRI. Zdravnikom lahko pomagajo pri hitrejšem in natančnejšem diagnosticiranju bolezni.
Samovozeči avtomobili so še ena zanimiva aplikacija, kjer se CNN lahko uporabljajo za identifikacijo objektov. Lahko izboljša, kako dobro vozila razumejo svojo okolico in se nanjo odzivajo.
Vse več ljudi se zanima tudi za ustvarjanje struktur CNN, ki so hitrejše in učinkovitejše, vključno z mobilnimi CNN. Pričakuje se, da se bodo uporabljali na napravah z nizko porabo energije, kot so pametni telefoni in nosljive naprave.
Pustite Odgovori