சிவப்பு விளக்கில் எப்போது நிறுத்த வேண்டும் அல்லது உங்கள் தொலைபேசி உங்கள் முகத்தை எவ்வாறு அடையாளம் காண முடியும் என்பதை சுயமாக ஓட்டும் காருக்கு எப்படித் தெரியும் என்று நீங்கள் எப்போதாவது கேள்வி எழுப்பியுள்ளீர்களா?
இங்குதான் கன்வல்யூஷனல் நியூரல் நெட்வொர்க் அல்லது சிஎன்என் சுருக்கமாக வருகிறது.
ஒரு சிஎன்என் மனித மூளையுடன் ஒப்பிடத்தக்கது, அதில் என்ன நடக்கிறது என்பதைத் தீர்மானிக்க படங்களை பகுப்பாய்வு செய்ய முடியும். இந்த நெட்வொர்க்குகள் மனிதர்கள் கவனிக்காத விஷயங்களைக் கூட கண்டறிய முடியும்!
இந்த இடுகையில், நாங்கள் CNN ஐ ஆராய்வோம் ஆழமான கற்றல் சூழல். இந்த பரபரப்பான பகுதி நமக்கு என்ன வழங்குகிறது என்று பார்ப்போம்!
ஆழ்ந்த கற்றல் என்றால் என்ன?
ஆழ்ந்த கற்றல் என்பது ஒரு வகை செயற்கை நுண்ணறிவு. இது கணினிகளைக் கற்றுக்கொள்ள உதவுகிறது.
ஆழமான கற்றல் சிக்கலான கணித மாதிரிகளைப் பயன்படுத்தி தரவை செயலாக்குகிறது. எனவே, கணினி வடிவங்களைக் கண்டறிந்து தரவை வகைப்படுத்த முடியும்.
பல எடுத்துக்காட்டுகளுடன் பயிற்சிக்குப் பிறகு, அது முடிவுகளை எடுக்கவும் முடியும்.
ஆழ்ந்த கற்றலில் சிஎன்என்களில் நாம் ஏன் ஆர்வம் காட்டுகிறோம்?
கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (சிஎன்என்) ஆழ்ந்த கற்றலின் முக்கிய அங்கமாகும்.
அவை கணினிகள் படங்கள் மற்றும் பிறவற்றைப் புரிந்துகொள்ள அனுமதிக்கின்றன காட்சி தரவு. ஆழ்ந்த கற்றலில் CNNகளைப் பயன்படுத்துவதன் மூலம் வடிவங்களைக் கண்டறிவதற்கும் பொருள்களை அவர்கள் "பார்க்கும்" அடிப்படையில் அடையாளம் காணவும் கணினிகளுக்குப் பயிற்சி அளிக்கலாம்.
CNNகள் ஆழ்ந்த கற்றலின் கண்களாகச் செயல்படுகின்றன, சுற்றுச்சூழலைப் புரிந்துகொள்ள கணினிகளுக்கு உதவுகின்றன!
மூளையின் கட்டிடக்கலையிலிருந்து உத்வேகம்
மூளை எவ்வாறு தகவல்களை விளக்குகிறது என்பதிலிருந்து சிஎன்என்கள் தங்கள் உத்வேகத்தைப் பெறுகின்றன. சிஎன்என்களில் உள்ள செயற்கை நியூரான்கள் அல்லது கணுக்கள், உள்ளீடுகளை ஏற்றுக்கொண்டு, அவற்றைச் செயலாக்கி, மற்றும் முடிவை வெளியீடாக வழங்குகின்றன, மூளை நியூரான்கள் உடல் முழுவதும் செய்யும் விதத்தில்.
உள்ளீட்டு அடுக்கு
ஒரு தரநிலையின் உள்ளீட்டு அடுக்கு நரம்பு நெட்வொர்க் பிக்சல்கள் போன்ற வரிசைகளின் வடிவத்தில் உள்ளீடுகளைப் பெறுகிறது. சிஎன்என்களில், உள்ளீட்டு அடுக்குக்கு உள்ளீடாக ஒரு படம் வழங்கப்படுகிறது.
மறைக்கப்பட்ட அடுக்குகள்
சிஎன்என்களில் பல மறைக்கப்பட்ட அடுக்குகள் உள்ளன, அவை படத்தில் இருந்து அம்சங்களைப் பிரித்தெடுக்க கணிதத்தைப் பயன்படுத்துகின்றன. முற்றிலும் இணைக்கப்பட்ட, சரிசெய்யப்பட்ட நேரியல் அலகுகள், பூலிங் மற்றும் கன்வல்யூஷன் அடுக்குகள் உட்பட பல வகையான அடுக்குகள் உள்ளன.
கன்வல்யூஷன் லேயர்
உள்ளீட்டுப் படத்திலிருந்து அம்சங்களைப் பிரித்தெடுக்கும் முதல் அடுக்கு கன்வல்யூஷன் லேயர் ஆகும். உள்ளீட்டுப் படம் வடிகட்டலுக்கு உட்படுத்தப்படுகிறது, இதன் விளைவாக படத்தின் முக்கிய கூறுகளை முன்னிலைப்படுத்தும் அம்ச வரைபடம் உள்ளது.
பூலிங் லேட்டர்
அம்ச வரைபடத்தின் அளவைக் குறைக்க பூலிங் லேயர் பயன்படுத்தப்படுகிறது. இது உள்ளீட்டு படத்தின் இருப்பிடத்தை மாற்றுவதற்கு மாதிரியின் எதிர்ப்பை பலப்படுத்துகிறது.
சரிசெய்யப்பட்ட நேரியல் அலகு அடுக்கு (ReLU)
ReLU அடுக்கு மாதிரிக்கு நேர்கோட்டுத்தன்மையைக் கொடுக்கப் பயன்படுத்தப்படுகிறது. முந்தைய லேயரின் வெளியீடு இந்த லேயரால் செயல்படுத்தப்படுகிறது.
முழுமையாக இணைக்கப்பட்ட அடுக்கு
முழுமையாக இணைக்கப்பட்ட அடுக்கு உருப்படியை வகைப்படுத்துகிறது மற்றும் வெளியீட்டு அடுக்கில் ஒரு தனிப்பட்ட ஐடியை ஒதுக்குகிறது, இது முற்றிலும் இணைக்கப்பட்ட லேயராகும்.
CNNகள் Feedforward Networks ஆகும்
தரவு உள்ளீடுகளிலிருந்து வெளியீடுகளுக்கு ஒரு வழியில் மட்டுமே பாய்கிறது. அவர்களின் கட்டிடக்கலை மூளையின் காட்சிப் புறணியால் ஈர்க்கப்பட்டுள்ளது, இது அடிப்படை மற்றும் அதிநவீன செல்களின் மாற்று அடுக்குகளால் ஆனது.
சிஎன்என்கள் எவ்வாறு பயிற்சியளிக்கப்படுகின்றன?
பூனையை அடையாளம் காண கணினிக்கு கற்பிக்க முயற்சிக்கிறீர்கள் என்று கருதுங்கள்.
"இதோ ஒரு பூனை இருக்கிறது" என்று சொல்லும் போது நீங்கள் பூனைகளின் பல படங்களைக் காட்டுகிறீர்கள். பூனைகளின் போதுமான படங்களைப் பார்த்த பிறகு, கூர்மையான காதுகள் மற்றும் விஸ்கர்கள் போன்ற பண்புகளை கணினி அடையாளம் காணத் தொடங்குகிறது.
CNN செயல்படும் விதம் மிகவும் ஒத்ததாகும். கணினியில் பல புகைப்படங்கள் காட்டப்படுகின்றன, மேலும் ஒவ்வொரு படத்திலும் உள்ள பொருட்களின் பெயர்கள் கொடுக்கப்பட்டுள்ளன.
இருப்பினும், சிஎன்என் படங்களை பகுதிகள் போன்ற சிறிய துண்டுகளாக பிரிக்கிறது. மேலும், படங்களை ஒட்டுமொத்தமாகப் பார்ப்பதை விட அந்தப் பகுதிகளில் உள்ள பண்புகளை அடையாளம் காண கற்றுக்கொள்கிறது.
எனவே, CNN இன் ஆரம்ப அடுக்கு விளிம்புகள் அல்லது மூலைகள் போன்ற அடிப்படை பண்புகளை மட்டுமே கண்டறியலாம். பின்னர், படிவங்கள் அல்லது இழைமங்கள் போன்ற விரிவான அம்சங்களை அடையாளம் காண அடுத்த அடுக்கு அதை உருவாக்குகிறது.
கணினி அதிக படங்களைப் பார்க்கும்போது அடுக்குகள் அந்த குணங்களைச் சரிசெய்து, மெருகூட்டுகின்றன. அது பூனைகள், முகங்கள் அல்லது வேறு ஏதாவது எதுவாக இருந்தாலும், அது பயிற்சியளிக்கப்பட்ட அனைத்தையும் அடையாளம் காண்பதில் மிகவும் திறமையானதாக மாறும் வரை இது தொடர்கிறது.
ஒரு சக்திவாய்ந்த ஆழமான கற்றல் கருவி: சிஎன்என்கள் பட அங்கீகாரத்தை எவ்வாறு மாற்றியது
படங்களில் உள்ள வடிவங்களை அடையாளம் கண்டு, உணர்வதன் மூலம், சிஎன்என்கள், பட அங்கீகாரத்தை மாற்றியுள்ளன. அவை அதிக அளவு துல்லியத்துடன் முடிவுகளை வழங்குவதால், சிஎன்என்கள் பட வகைப்பாடு, மீட்டெடுப்பு மற்றும் கண்டறிதல் பயன்பாடுகளுக்கு மிகவும் திறமையான கட்டமைப்பாகும்.
அவர்கள் அடிக்கடி சிறந்த முடிவுகளைத் தருகிறார்கள். மேலும், அவை நிஜ-உலகப் பயன்பாடுகளில் உள்ள புகைப்படங்களில் உள்ள பொருட்களைத் துல்லியமாகக் குறிப்பிட்டு அடையாளம் காட்டுகின்றன.
ஒரு படத்தின் எந்தப் பகுதியிலும் வடிவங்களைக் கண்டறிதல்
ஒரு படத்தில் ஒரு பேட்டர்ன் எங்கு தோன்றினாலும், அதை அடையாளம் காணும் வகையில் CNNகள் வடிவமைக்கப்பட்டுள்ளன. அவர்கள் ஒரு படத்தில் எந்த இடத்திலிருந்தும் காட்சி பண்புகளை தானாகவே பிரித்தெடுக்க முடியும்.
"இடஞ்சார்ந்த மாறுபாடு" என்று அழைக்கப்படும் அவர்களின் திறனால் இது சாத்தியமானது. செயல்முறையை எளிதாக்குவதன் மூலம், சிஎன்என்கள் மனித அம்சங்களைப் பிரித்தெடுக்க வேண்டிய அவசியமின்றி புகைப்படங்களிலிருந்து நேரடியாகக் கற்றுக்கொள்ளலாம்.
அதிக செயலாக்க வேகம் மற்றும் குறைந்த நினைவகம் பயன்படுத்தப்பட்டது
பாரம்பரிய செயல்முறைகளை விட CNNகள் படங்களை வேகமாகவும் திறமையாகவும் செயலாக்குகின்றன. இது பூலிங் லேயர்களின் விளைவாகும், இது ஒரு படத்தை செயலாக்க தேவையான அளவுருக்களின் எண்ணிக்கையை குறைக்கிறது.
இந்த வழியில், அவை நினைவக பயன்பாடு மற்றும் செயலாக்க செலவுகளை குறைக்கின்றன. பல பகுதிகள் CNNகளைப் பயன்படுத்துகின்றன. முகத்தை அடையாளம் காணுதல், வீடியோ வகைப்படுத்தல் மற்றும் பட பகுப்பாய்வு. அவர்கள் கூட பழகிவிட்டனர் விண்மீன் திரள்களை வகைப்படுத்துங்கள்.
நிஜ வாழ்க்கை எடுத்துக்காட்டுகள்
கூகிள் படங்கள் நிஜ உலகில் CNNகளின் ஒரு பயன்பாடாகும், இது படங்களில் உள்ள நபர்களையும் பொருட்களையும் அடையாளம் காண அவற்றைப் பயன்படுத்துகிறது. மேலும், நீலமான மற்றும் அமேசான் சிஎன்என்களைப் பயன்படுத்தி பொருட்களைக் குறிக்கும் மற்றும் அடையாளம் காணும் பட அங்கீகார APIகளை வழங்கவும்.
தரவுத்தொகுப்புகளைப் பயன்படுத்தி நரம்பியல் நெட்வொர்க்குகளைப் பயிற்றுவிப்பதற்கான ஆன்லைன் இடைமுகம், படம் அறிதல் பணிகள் உட்பட, ஆழமான கற்றல் தளத்தால் வழங்கப்படுகிறது. என்விடியா இலக்கங்கள்.
சிறிய அளவிலான வணிக பயன்பாட்டு நிகழ்வுகள் முதல் ஒருவரின் புகைப்படங்களை ஒழுங்கமைப்பது வரை பல்வேறு பணிகளுக்கு CNNகள் எவ்வாறு பயன்படுத்தப்படலாம் என்பதை இந்தப் பயன்பாடுகள் காட்டுகின்றன. இன்னும் பல உதாரணங்களை சிந்திக்கலாம்.
கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் எவ்வாறு உருவாகும்?
ஹெல்த்கேர் என்பது ஒரு கவர்ச்சிகரமான தொழில் ஆகும், அங்கு CNN கள் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தும் என்று எதிர்பார்க்கப்படுகிறது. உதாரணமாக, எக்ஸ்ரே மற்றும் எம்ஆர்ஐ ஸ்கேன் போன்ற மருத்துவப் படங்களை மதிப்பீடு செய்ய அவை பயன்படுத்தப்படலாம். நோய்களை விரைவாகவும் துல்லியமாகவும் கண்டறிய அவர்கள் மருத்துவர்களுக்கு உதவ முடியும்.
சுய-ஓட்டுநர் ஆட்டோமொபைல்கள் மற்றொரு சுவாரஸ்யமான பயன்பாடாகும், அங்கு பொருள் அடையாளம் காண CNN கள் பயன்படுத்தப்படலாம். வாகனங்கள் தங்கள் சுற்றுப்புறங்களை எவ்வளவு நன்றாகப் புரிந்துகொண்டு எதிர்வினையாற்றுகின்றன என்பதை இது மேம்படுத்துகிறது.
மொபைல் சிஎன்என்கள் உட்பட விரைவான மற்றும் மிகவும் பயனுள்ள சிஎன்என் கட்டமைப்புகளை உருவாக்குவதில் அதிக எண்ணிக்கையிலான மக்கள் ஆர்வமாக உள்ளனர். ஸ்மார்ட்போன்கள் மற்றும் அணியக்கூடிய பொருட்கள் போன்ற குறைந்த ஆற்றல் கொண்ட கேஜெட்களில் அவை பயன்படுத்தப்படும் என்று எதிர்பார்க்கப்படுகிறது.
ஒரு பதில் விடவும்