A keni pyetur ndonjëherë se si një makinë vetë-drejtuese e di se kur duhet të ndalojë në një semafor të kuq ose se si telefoni juaj mund të identifikojë fytyrën tuaj?
Këtu hyn Rrjeti Neural Convolutional ose shkurt CNN.
Një CNN është i krahasueshëm me një tru të njeriut që mund të analizojë imazhet për të përcaktuar se çfarë po ndodh në to. Këto rrjete madje mund të zbulojnë gjëra që njerëzit do t'i anashkalonin!
Në këtë postim, ne do të eksplorojmë CNN në të mësuarit e thellë kontekst. Le të shohim se çfarë mund të na ofrojë kjo zonë emocionuese!
Çfarë është mësimi i thellë?
Të mësuarit e thellë është një lloj inteligjencës artificiale. Ai u mundëson kompjuterëve të mësojnë.
Të mësuarit e thellë përpunon të dhënat duke përdorur modele të komplikuara matematikore. Kështu që, një kompjuter mund të zbulojë modele dhe të kategorizojë të dhënat.
Pas trajnimit me shumë shembuj, mund të marrë edhe vendime.
Pse jemi të interesuar për CNN në mësimin e thellë?
Rrjetet neurale konvolucionare (CNN) janë një komponent i rëndësishëm i të mësuarit të thellë.
Ato lejojnë kompjuterët të kuptojnë fotografitë dhe të tjera të dhëna vizuale. Ne mund t'i trajnojmë kompjuterët për të zbuluar modele dhe për të identifikuar objektet bazuar në atë që "shikojnë" duke përdorur CNN në mësimin e thellë.
CNN-të veprojnë si sytë e të mësuarit të thellë, duke ndihmuar kompjuterët të kuptojnë mjedisin!
Frymëzimi nga Arkitektura e Trurit
CNN-të e marrin frymëzimin e tyre nga mënyra se si truri interpreton informacionin. Neuronet artificiale, ose nyjet, në CNN, pranojnë të dhëna, i përpunojnë ato dhe japin rezultatin si dalje, ashtu siç bëjnë neuronet e trurit në të gjithë trupin.
Shtresa hyrëse
Shtresa hyrëse e një standardi Rrjeti nervoz merr të dhëna në formë vargjesh, si p.sh. pikselë fotografish. Në CNN, një fotografi jepet si hyrje në shtresën hyrëse.
Shtresat e Fshehura
Ka disa shtresa të fshehura në CNN, të cilat përdorin matematikën për të nxjerrë veçori nga fotografia. Ekzistojnë disa lloje shtresash, duke përfshirë njësitë lineare të lidhura plotësisht, të korrigjuara, shtresat e bashkimit dhe të konvolucionit.
Shtresa e konvolucionit
Shtresa e parë që nxjerr veçori nga një fotografi hyrëse është shtresa e konvolucionit. Imazhi i hyrjes i nënshtrohet filtrimit dhe rezultati është një hartë e veçorive që nxjerr në pah elementet kryesore të figurës.
Bashkim më vonë
Shtresa e bashkimit përdoret për të zvogëluar madhësinë e hartës së veçorive. Ai forcon rezistencën e modelit ndaj zhvendosjes së vendndodhjes së figurës hyrëse.
Shtresa e njësisë lineare e korrigjuar (ReLU)
Shtresa ReLU përdoret për t'i dhënë modelit jolinearitet. Dalja e shtresës së mëparshme aktivizohet nga kjo shtresë.
Shtresë plotësisht e lidhur
Shtresa plotësisht e lidhur e kategorizon artikullin dhe i cakton atij një ID unike në shtresën dalëse është shtresa plotësisht e lidhur.
CNN-të janë Rrjete Feedforward
Të dhënat rrjedhin vetëm nga inputet në outpute në një mënyrë. Arkitektura e tyre është frymëzuar nga korteksi vizual i trurit, i cili përbëhet nga shtresa të alternuara të qelizave bazë dhe të sofistikuara.
Si trajnohen CNN?
Konsideroni se po përpiqeni të mësoni një kompjuter të identifikojë një mace.
Ju shfaqni shumë imazhe të maceve duke thënë: "Ja një mace". Pas shikimit të mjaftueshëm të imazheve të maceve, kompjuteri fillon të njohë karakteristika si veshët e mprehtë dhe mustaqet.
Mënyra se si funksionon CNN është mjaft e ngjashme. Në kompjuter shfaqen disa fotografi dhe jepen emrat e sendeve në secilën fotografi.
Megjithatë, CNN i ndan imazhet në copa më të vogla, të tilla si rajone. Dhe, ai mëson të identifikojë karakteristikat në ato rajone në vend që thjesht të shikojë imazhet në tërësi.
Pra, shtresa fillestare e CNN mund të zbulojë vetëm karakteristikat bazë si skajet ose qoshet. Më pas, shtresa tjetër ndërtohet mbi atë për të njohur veçori më të detajuara si format ose teksturat.
Shtresat vazhdojnë t'i rregullojnë dhe përmirësojnë ato cilësi ndërsa kompjuteri shikon më shumë imazhe. Ai vazhdon derisa të bëhet shumë i aftë në identifikimin e çdo gjëje për të cilën është trajnuar, qoftë mace, fytyra apo ndonjë gjë tjetër.
Një mjet i fuqishëm i të mësuarit të thellë: Si CNN-të transformuan njohjen e imazhit
Me identifikimin dhe kuptimin e modeleve në imazhe, CNN-të kanë transformuar njohjen e imazhit. Meqenëse ato ofrojnë rezultate me një shkallë të lartë saktësie, CNN-të janë arkitektura më efikase për aplikimet e klasifikimit, rikthimit dhe zbulimit të imazheve.
Ata shpesh japin rezultate të shkëlqyera. Dhe, ata saktësojnë dhe identifikojnë objektet në foto në aplikacionet e botës reale.
Gjetja e modeleve në çdo pjesë të një fotografie
Pavarësisht se ku shfaqet një model në një foto, CNN-të janë krijuar për ta njohur atë. Ata mund të nxjerrin automatikisht karakteristikat vizuale nga çdo vendndodhje në një foto.
Kjo është e mundur falë aftësisë së tyre të njohur si "pandryshueshmëria hapësinore". Duke e thjeshtuar procesin, CNN-të mund të mësojnë drejtpërdrejt nga fotot pa pasur nevojë për nxjerrjen e veçorive njerëzore.
Më shumë shpejtësi përpunimi dhe më pak memorie e përdorur
CNN-të përpunojnë fotografitë më shpejt dhe me efikasitet sesa proceset tradicionale. Ky është rezultat i shtresave të bashkimit, të cilat ulin numrin e parametrave të kërkuar për të përpunuar një foto.
Në këtë mënyrë, ato ulin përdorimin e memories dhe kostot e përpunimit. Shumë zona përdorin CNN, si p.sh. njohja e fytyrës, kategorizimin e videove dhe analizën e fotografive. Madje janë mësuar klasifikoni galaktikat.
Shembuj të jetës reale
Fotografitë e Google është një përdorim i CNN-ve në botën reale që i përdor ato për të identifikuar njerëzit dhe objektet në foto. Për më tepër, I kaltër Amazona ofrojnë API për njohjen e imazhit që etiketojnë dhe identifikojnë objektet duke përdorur CNN.
Një ndërfaqe në internet për trajnimin e rrjeteve nervore duke përdorur grupe të dhënash, duke përfshirë detyrat e njohjes së figurës, ofrohet nga platforma e të mësuarit të thellë Shifrat NVIDIA.
Këto aplikacione tregojnë se si CNN mund të përdoren për një sërë detyrash, nga rastet e përdorimit komercial në shkallë të vogël deri te organizimi i fotove të dikujt. Mund të mendohen shumë shembuj të tjerë.
Si do të evoluojnë rrjetet nervore konvolucionale?
Kujdesi shëndetësor është një industri magjepsëse ku CNN-të pritet të kenë një ndikim të rëndësishëm. Për shembull, ato mund të përdoren për të vlerësuar fotografitë mjekësore si rrezet X dhe skanimet MRI. Ata mund të ndihmojnë mjekët në diagnostikimin më të shpejtë dhe të saktë të sëmundjeve.
Automobilat që drejtojnë vetë janë një tjetër aplikacion interesant ku CNN mund të përdoren për identifikimin e objekteve. Mund të përmirësojë se sa mirë automjetet kuptojnë dhe reagojnë ndaj mjedisit të tyre.
Një numër në rritje njerëzish janë gjithashtu të interesuar në krijimin e strukturave të CNN që janë më të shpejta dhe më efektive, duke përfshirë CNN-të e lëvizshme. Ata pritet të përdoren në pajisje me fuqi të ulët si telefonat inteligjentë dhe pajisjet e veshura.
Lini një Përgjigju