— Сверточная нейронная сеть. РУКОВОДСТВО ДЛЯ НАЧИНАЮЩИХ ДЛЯ ВАС! —
Обязательно ознакомьтесь с предыдущей главой объяснения нашего курса, чтобы у вас было более широкое представление о том, что мы обсуждаем.
Что такое сверточные нейронные сети (CNN):
Что такое метод объединения?
Теперь давайте перейдем к нашей цели: какова функция активации? И почему нам нужно применить это к нашей программе сверточной нейронной сети? И как нам это сделать? На все ваши вопросы ответят самым простым способом.
Функция активации — это математическая функция, которую мы применяем в нашей нейронной сети, чтобы получить больше контроля, другими словами; он представляет собой переключатель, который определяет, должен ли нейрон быть «включен» или «выключен» на основе входных данных. Это поможет ему позже получить больше опыта при работе со сложными входными данными. Наиболее распространенными являются: ReLu/Sigmoid/SoftMax.
Функция ReLu (выпрямленная линейная единица):
Этот вариант эффективен в использовании: он заменяет все отрицательные значения на 0, сохраняя при этом положительные значения неизменными. Следует отметить, что функция relu применяется к скрытым слоям, а не к выходным данным.
Сигмовидная функция:
В то время как сигмоида имеет возможность сжимать наши значения в пределах определенного диапазона от 0 до 1. Кроме того, сигмоида применяется в скрытых слоях.
Функция СофтМакс:
Функция активации, в основном используемая на выходном слое нашей нейронной сети. По сути, он преобразует вектор действительных чисел, также называемый логитами, в распределение вероятностей.
Как выбрать, какую функцию активации использовать?
Если вы обрабатываете данные двоичной классификации, вам нужно будет использовать функцию Sigmoid, а при обработке данных многоклассовой классификации Softmax выполнит эту работу. И последнее, но не менее важное: ReLu — бесплатный дикий вариант; не специфичен для какого-либо конкретного типа задач классификации, его можно использовать как для бинарной/многоклассовой классификации, так и для регрессии.
Пример многоклассовой классификации. Классификация набора данных, содержащего несколько изображений собак/кошек/волков.
Пример бинарной классификации. Классификация набора данных, содержащего изображения, на «спам» и «не спам».
Подпишитесь на нашу рассылку, чтобы не пропустить! В следующих главах мы продолжим более подробно рассказывать о CNN и об их особом способе воздействия. Следите за обновлениями! :)
