Глубокое обучение

Зачем переходить на сверточные нейронные сети?

Сверточная нейронная система, иначе называемая CNN или ConvNet, представляет собой искусственную нейронную систему, которая до сих пор наиболее широко использовалась для разбивки изображений для предприятий компьютерного зрения.

«Что бы вы ни изучали прямо сейчас, если вы не осваиваете глубокое обучение, нейронные сети и т. Д., Вы проигрываете. Мы проходим процесс, в котором программное обеспечение автоматизирует программное обеспечение, автоматизация автоматизирует автоматизацию ».

-Марк Кубан

Что такое CNN?

Сверточная нейронная сеть - это тип искусственной нейронной сети с прямой связью, в которой паттерн связи между нейронами вдохновлен организацией коры головного мозга животных.

Принципиальная благоприятная позиция CNN в отличие от ее предшественников заключается в том, что она, следовательно, определяет важные моменты без человеческого управления.

ConvNets более впечатляющи, чем вычисления AI, и также обладают большим опытом вычислений.

Почему не полностью подключенные сети?

Если мы возьмем изображение размером 28x28x3 пикселей, количество весов в первом скрытом слое сети будет 2352. Но в реальной жизни изображения не такие уж маленькие. Например, если изображение имеет размер 200x200x3 пикселей, то количество весов в самом первом скрытом слое будет 120 000.
Итак, чтобы иметь дело со значительным количеством параметров, нам требуется больше нейронов, чтобы оно могло в конечном итоге привести к переобучению. Поэтому полностью связанные не используются для классификации изображений.

Давайте углубимся в подробности:

В полностью связанном слое каждый узел связан со всеми остальными нейронами. Это слои, используемые в стандартных нейронных сетях с прямой связью. В отличие от полносвязных слоев, сверточные слои не подключены к каждому нейрону.

Следует отметить, что изображение представлено не как пиксели, а как числа, представляющие значение пикселя. С точки зрения того, что видит компьютер, это будет просто числовая матрица. Для этих чисел выполняется операция свертки. В модуле можно использовать как полносвязные слои, так и
сверточные слои. Скользящее «окно» перемещается по изображению, что часто называется операцией свертки или свертки. Размер этого окна известен как ядро ​​или фильтр.

Они помогают распознавать закономерности в данных. Для каждого фильтра необходимо учитывать два основных свойства - заполнение и шаг. Шаг представляет шаг операции свертки; то есть количество пикселей, через которые перемещается окно. Padding - это добавление нулевых пикселей для увеличения размера изображения. Нулевые пиксели здесь относятся к пикселям со значением 0. Если у нас есть изображение 5x5 и окно с фильтром 3x3, шагом 1 и без заполнения, выходом сверточного слоя будет изображение 3x3. Такое наращивание карты функций известно как объединение. В этом случае используется «максимальное объединение».

Максимальное объединение - это вид активности, который обычно добавляется к CNN после отдельных сверточных слоев. При добавлении в модель max-pooling уменьшает размерность изображений за счет уменьшения количества пикселей в выходных данных предыдущего сверточного слоя.

Здесь максимальное значение берется из каждого скользящего окна и
помещается в матрицу вывода.

Еще одним дополнительным слоем может быть выпадающий слой.

Исключение работает, выбирая для произвольных активных краев скрытых единиц (нейронов в скрытых слоях) значение 0 при каждом обновлении фазы обучения, чтобы модель не пересекалась.

Подробнее

Приложения сверточных нейронных сетей включают распознавание изображений, беспилотные автомобили и робототехнику. CNN широко используется для видео, радаров с синтезированной апертурой, 2D-изображений, спектрограмм.

Заключение

Да, нам нужно переключиться на CNN, поскольку свертка очень эффективна при распознавании и классификации изображений по сравнению с нейронной сетью с прямой связью.
Это потому, что свертка позволяет уменьшить количество параметров в системе и использовать пространственную область . Кроме того, сверточные нейронные сети вводят концепцию объединения, чтобы уменьшить количество параметров за счет понижающей дискретизации.

использованная литература

Аналитика Видхья: https://www.analyticsvidhya.com/blog/2018/12/guide-convolutional-neural-network-cnn/.

Эдурека Блог Сверточная нейронная сеть: https://goo.gl/4zxMfU.

Глубокое обучение с deeplearning.ai: https://www.deeplearning.ai.

Спасибо за чтение, вы можете связаться со мной для предложений и улучшений

Издатель Навстречу AI