Да ли сте се икада запитали како самовозећи аутомобил зна када треба да стане на црвено светло или како ваш телефон може да идентификује ваше лице?
Овде долази конволуциона неуронска мрежа или скраћено ЦНН.
ЦНН је упоредив са људским мозгом који може анализирати слике како би утврдио шта се у њима дешава. Ове мреже могу чак открити ствари које би људи превидјели!
У овом посту ћемо истражити ЦНН у дубоко учење контекст. Хајде да видимо шта ово узбудљиво подручје може да нам понуди!
Шта је дубоко учење?
Дубоко учење је нека врста вештачка интелигенција. Омогућава рачунарима да уче.
Дубоко учење обрађује податке користећи компликоване математичке моделе. Тако да рачунар може открити обрасце и категоризовати податке.
После обуке са много примера, може и да доноси одлуке.
Зашто смо заинтересовани за ЦНН у дубоком учењу?
Конволуционе неуронске мреже (ЦНН) су важна компонента дубоког учења.
Они омогућавају рачунарима да разумеју слике и друго vizuelni podaci. Можемо да обучимо рачунаре да откривају обрасце и идентификују објекте на основу онога што „виде“ коришћењем ЦНН-а у дубоком учењу.
ЦНН делују као очи дубоког учења, помажући рачунарима у разумевању околине!
Инспирација из Браин'с Арцхитецтуре
ЦНН-ови црпе своју инспирацију из тога како мозак тумачи информације. Вештачки неурони, или чворови, у ЦНН-у, прихватају улазе, обрађују их и испоручују резултат као излаз, баш као што неурони мозга раде у целом телу.
Улазни слој
Улазни слој стандарда неуронска мрежа прима улазе у облику низова, као што су пиксели слике. У ЦНН-у, слика се испоручује као улаз у улазни слој.
Хидден Лаиерс
Постоји неколико скривених слојева у ЦНН-има, који користе математику за издвајање карактеристика из слике. Постоји неколико врста слојева, укључујући потпуно повезане, исправљене линеарне јединице, обједињавање и конволуционе слојеве.
Цонволутион Лаиер
Први слој који издваја карактеристике из улазне слике је слој конволуције. Улазна слика је подвргнута филтрирању, а резултат је мапа карактеристика која истиче кључне елементе слике.
Поолинг Латер
Слој за удруживање се користи за смањење величине мапе обележја. Јача отпорност модела на померање локације улазне слике.
Исправљени линеарни јединични слој (РеЛУ)
РеЛУ слој се користи да да моделу нелинеарност. Овај слој активира излаз претходног слоја.
Потпуно повезан слој
Потпуно повезани слој категоризује ставку и додељује јој јединствени ИД у излазном слоју је потпуно повезани слој.
ЦНН-ове су мреже усредсређене мреже
Подаци теку од улаза до излаза само на један начин. Њихова архитектура је инспирисана визуелним кортексом мозга, који се састоји од наизменичних слојева основних и софистицираних ћелија.
Како се обучавају ЦНН-ови?
Узмите у обзир да покушавате да научите рачунар да идентификује мачку.
Приказујете му много слика мачака док говорите: „Ево мачке. Након што погледа довољно слика мачака, рачунар почиње да препознаје карактеристике попут шиљатих ушију и бркова.
Начин на који ЦНН ради је прилично сличан. На рачунару се приказује неколико фотографија и дају се називи ствари на свакој слици.
Међутим, ЦНН дели слике на мање делове, као што су региони. И учи да идентификује карактеристике у тим регионима, а не само да посматра слике у целини.
Дакле, почетни слој ЦНН-а може открити само основне карактеристике као што су ивице или углови. Затим, следећи слој се надовезује на то да би препознао детаљније карактеристике као што су облици или текстуре.
Слојеви настављају да прилагођавају и усавршавају те квалитете док рачунар гледа више слика. То се наставља све док не постане веома вешто да идентификује шта год да је обучено, било да су мачке, лица или било шта друго.
Моћан алат за дубоко учење: Како су ЦНН трансформисали препознавање слика
Идентификујући и дајући смисао шаблонима у сликама, ЦНН су трансформисали препознавање слика. Пошто дају резултате са високим степеном тачности, ЦНН су најефикаснија архитектура за апликације за класификацију слика, проналажење и детекцију.
Често дају одличне резултате. И прецизно прецизирају и идентификују објекте на фотографијама у апликацијама из стварног света.
Проналажење шаблона у било ком делу слике
Без обзира где се образац појављује на слици, ЦНН су дизајнирани да га препознају. Они могу аутоматски издвојити визуелне карактеристике са било које локације на слици.
Ово је могуће захваљујући њиховој способности познатој као „просторна инваријантност“. Поједностављавајући процес, ЦНН могу да уче директно са фотографија без потребе за екстракцијом људских карактеристика.
Већа брзина обраде и мање коришћене меморије
ЦНН-ови обрађују слике брже и ефикасније од традиционалних процеса. Ово је резултат обједињавања слојева, који смањују број параметара потребних за обраду слике.
На овај начин смањују употребу меморије и трошкове обраде. Многе области користе ЦНН, као што су; препознавање лица, видео категоризација и анализа слике. Чак су и навикли класификовати галаксије.
Примери из стварног живота
Гоогле слике је једна употреба ЦНН-а у стварном свету која их користи за идентификацију људи и објеката на сликама. Штавише, Плаветнило амазонка пружају АПИ-је за препознавање слика који означавају и идентификују објекте помоћу ЦНН-а.
Интернет интерфејс за обуку неуронских мрежа користећи скупове података, укључујући задатке препознавања слика, обезбеђује платформа за дубоко учење НВИДИА цифре.
Ове апликације показују како се ЦНН могу користити за разне задатке, од малих комерцијалних случајева до организовања нечијих фотографија. Може се смислити још много примера.
Како ће се развијати конволуционе неуронске мреже?
Здравство је фасцинантна индустрија у којој се очекује да ће ЦНН имати значајан утицај. На пример, могу се користити за процену медицинских слика као што су рендгенски снимци и МР скенирање. Они могу помоћи клиничарима да брже и прецизније дијагностикују болести.
Аутомобили који се сами возе су још једна занимљива апликација у којој се ЦНН могу користити за идентификацију објеката. Може побољшати колико добро возила разумеју и реагују на околину.
Све већи број људи је такође заинтересован за креирање ЦНН структура које су брже и ефикасније, укључујући мобилне ЦНН. Очекује се да ће се користити на гаџетима мале снаге попут паметних телефона и носивих уређаја.
Ostavite komentar