Обзор практического машинного обучения с помощью Scikit-Learn, Keras и Tensorflow Орельена Жерона
Резюме
В этой главе мы познакомились с концепцией сверточных нейронных сетей и познакомили нас с множеством примеров и методов, относящихся к проблемам компьютерного зрения. Сверточные нейронные сети — это многослойные персептроны, которые создают изображения во все более и более крупные блоки, которые позволяют модели распознавать и узнавать об изображениях. В отличие от плотных слоев сверточные слои не соединяют свой узел с каждым узлом следующего слоя, а подключаются только к нескольким узлам, которые находятся рядом с текущим узлом. Это показатель того, как ЦНС работают, чтобы распознавать небольшие части изображения и наращивать их, а не просто сначала смотреть на все изображение целиком.
Сверточные слои
Сверточные слои представляют изображения небольшими многомерными фрагментами, которые машина может научиться распознавать, а не учиться непосредственно на одном большом изображении, что может привести к переобучению или распознаванию определенных атрибутов в зависимости от того, где они расположены на странице. Эти фрагменты являются многомерными, поскольку они часто определяются высотой и шириной изображения, а также каналом, по которому передается изображение (обычно это значение RGB). Эти изображения, по сути, разбиваются на многомерные фрагменты размером с укус и перестраиваются по всей нейронной сети.
Архитектуры
В этой главе мы познакомились с рядом архитектур, которые использовались в компьютерном зрении за последнее десятилетие. Сюда входят такие архитектуры, как Alexnet, GoogLeNet и SENet, среди прочего, которые использовались для победы в конкурсе ImageNet. Что мне понравилось в этих примерах, так это то, что они одновременно учили нас методам, а также истории Computer Vision. Одна из важных вещей, которую я понял, просматривая эти модели, заключается в том, что со временем модели становились все глубже и глубже. Первая рассмотренная архитектура имела всего 8 слоев, в то время как более поздние модели включали сотни слоев и включали такие приемы, как пропуск соединений.
Мои мысли
Это была чрезвычайно обширная глава, в которой больше внимания уделялось примерам, чем техническому содержанию, как и во многих предыдущих главах. Тем не менее, эти примеры были чрезвычайно полезны, поскольку они продемонстрировали методы, которые мы разработали во второй половине книги, и применили их вместе с тем, что мы узнали о сверточных нейронных сетях, в реальных примерах, которые мы можем моделировать в наших собственных моделях. в будущем.
Спасибо за чтение!
Если у вас есть какие-либо вопросы или отзывы, пожалуйста, свяжитесь со мной в твиттере @wtothdev или оставьте комментарий!
Кроме того, я хотел бы выразить огромную благодарность Орельен Жерон за написание такой прекрасной книги. Вы можете приобрести указанную книгу здесь (не партнерская).
Отказ от ответственности: я не зарабатываю деньги ни на одной из упомянутых услуг и решил прочитать и просмотреть эту книгу по своей собственной воле.
