Увод у револуционарне неуронске мреже
Конволуционарне неуронске мреже, познате и као ЦНН или ЦонвНет, спадају у категорију вештачких неуронских мрежа које се користе за обраду и визуализацију слике. Вештачка интелигенција користи дубоко учење за обављање задатка. Неуронске мреже су или хардверски или софтверски програмирани као неурони у људском мозгу. Традиционална неуронска мрежа као улазе уноси само слике смањене резолуције. ЦНН решава тај проблем уређујући њихове неуроне као чеони режањ људског мозга. Предобрада на ЦНН-у је врло мања у поређењу с другим алгоритмима. Цонволуција, линеарна математичка операција се користи на ЦНН-у. Користи савијање уместо општег множења матрице у једном од својих слојева.
Слојеви у конволуцијским неуронским мрежама
Испод су слојеви конволуционих неуронских мрежа:
1. Слој за унос слике
Улазни слој даје улазе (углавном слике) и врши се нормализација. Овде се мора поменути величина уноса.
2. конволуцијски слој
Конволуција се врши у овом слоју и слика је подељена у перцептроне (алгоритам), креирају се локална поља што доводи до компресије перцептрона за приказ мапа као матрице величине мк н.
3. Нелинеарни слој
Овде се карактеристичне мапе узимају као улазне, а мапе за активирање дају се као излаз уз помоћ функције активирања. Функција активације се углавном спроводи као сигмоидна или хиперболичка тангента.
4. Слој исправљања
Кључна компонента ЦНН-а, овај слој брже тренира без смањења тачности. На елементима се активира апсолутна операција апсолутне вриједности.
5. Исправљене линеарне јединице (РеЛУ)
РеЛУ комбинује нелинеарне и исправљачке слојеве на ЦНН-у. Овим се врши праг када се негативне вредности претварају у нулу. Међутим, РеЛУ не мења величину улаза.
6. Слој за обједињавање
Слој за обједињавање се такође назива слој падајућег узорковања јер је одговоран за смањење величине мапа за активирање. На улазну јачину се примењују филтер и кораци исте дужине. Мање значајни подаци се игноришу овим слојем, па се препознавање слике врши у мањем приказу. Овај слој смањује прекомерну обраду. Пошто се количина параметара смањује коришћењем слоја за обједињавање, трошак се такође смањује. Улаз је подељен на правоугаоне базене и израчунава се максимални или просечни износ, који последично враћа максимум или просек. Мак Поолинг је популаран.
7. Слој за испадање
Овај слој насумично поставља улазни слој на нулу са заданом вероватноћом. Након ове операције пада више резултата у различитим елементима. Овај слој такође помаже да се смањи прекомерно опремање. Мрежу чини сувишном. У овом слоју се не дешава учење. Ова операција се изводи само током обуке.
8. Потпуно повезан слој
Мапе за активирање, које су резултат претходних слојева, претварају се у класну дистрибуцију вероватноће у овом слоју. ФЦ слој множи унос матрицом тежине и додаје вектор пристраности.
9. Излазни слој
ФЦ слој је праћен софтмак-ом и слојевима класификације. Софтмак функција се примењује на улаз. Класификацијски слој израчунава функцију унакрсне ентропије и губитака за проблеме класификације.
10. регресијски слој
У овом слоју се израчунава половина средње квадратне грешке. Овај слој треба да прати ФЦ слој.
Архитектура конволуционе неуронске мреже
Испод је приказана архитектура конволуционарних неуронских мрежа:
1. ЛеНет
ЛеНет је представљен за оптичко препознавање и препознавање знакова у документима 1998. Мали је и савршен за покретање у ЦПУ-у. ЛеНет је мали и лако га је схватити. Ово је изграђено с три главне идеје: локална рецептивна поља дијеле тегове и просторно подсупљење. Мрежа показује најбољи интерни приказ необрађених слика. Садржи три слојна слоја, два слоја за обједињавање, један потпуно повезан слој и један излазни слој. Један слојни слој је одмах пратио слој за обједињавање. Сви слојеви су објашњени горе.
2. АлекНет
АлекНет је развијен 2012. Ова архитектура је популаризовала ЦНН у рачунарском виду. Садржи пет сложених и три потпуно повезана слоја на које се РеЛУ наноси после сваког слоја. Предности оба слоја имају предности јер слојни слој има мало параметара и дуго рачунање, а потпуно је супротно за потпуно повезани слој. Прекомерно опремање увелико је смањено повећањем података и испадањем од купаца. АлекНет је био дубљи, већи и слојни слојеви нису раздвојени слојем спајања у поређењу са ЛеНетом.
3. ЗФ Нет
ЗФ Нет је развијен 2013. године што је била модификована верзија АлекНет-а. Величина средњег спиралног слоја је проширена, а напредни слој и величина филтра су смањени. Управо је препознао недостатке АлекНета и развио супериорни. Сви слојеви су исти као и АлекНет. ЗФ Нет прилагођава параметре слоја попут величине филтра или корака АлекНет-а због чега смањује стопу грешака.
4. ГоогЛеНет
Ова архитектура је развијена 2014. године. Почетни слој је основни концепт. Овај слој покрива веће подручје, али биљежи мале информације о слици. Да би се побољшале перформансе, у ГоогЛеНету се користи девет почетних модула. Пошто је почетни слој склон прекомерном намештању, овде се користи више нелинеарности и мањи број параметара. Максимални слој удруживања користи се за спајање резултата претходног слоја. Ова архитектура има 22 слоја, а параметри су 12к мањи. Ово је тачније од АлекНета, такође брже. Стопа грешке је релативно нижа. Просечни слој удруживања користи се на крају уместо потпуно повезаног слоја. Рачунање се смањује, повећавају се дубина и ширина. Много почетних модула је повезано да би се ушло дубље у архитектуру. ГоогЛеНет је надмашио све остале архитектуре развијене до 2014. Неколико следећих верзија је доступно за ову архитектуру.
5. ВГГ Нет
Ово је побољшање у односу на ЗФНет, а касније и преко АлекНета. Има 16 слојева са 3 × 3 конволуционарних слојева, 2 × 2 спајајућа слоја и потпуно повезани слојеви. Ова архитектура прихвата најједноставнију структуру мреже, али има већину параметара.
6. РесНет
Резидуална мрежна архитектура развијена је 2015. године. Користи серијску нормализацију и прескаче употребу ФЦ слојева. Ова архитектура користи 152 слоја и користи прескакање веза. РесНет се углавном користи у свим алгоритмима дубоког учења.
Закључак
Фацебоок користи ЦНН за означавање слика, Амазон за препоруке производа и Гоогле за претрагу међу фотографијама корисника. Све то се врши с већом тачношћу и ефикасношћу. Напредак у дубоком учењу достигао је фазу у којој је ЦНН развијен и помаже на више начина. Како компликовани ЦНН постаје, то помаже у побољшању ефикасности.
Препоручени чланак
Ово је водич за Конволуционарне неуронске мреже. Овдје разговарамо о Уводу у конволуцијске неуронске мреже и његове слојеве заједно са архитектуром. Можете и да прођете кроз друге наше предложене чланке да бисте сазнали више -
- Класификација неуронске мреже
- Машинско учење и неуронска мрежа
- Преглед алгоритама неуронске мреже
- Понављајуће неуронске мреже (РНН)
- Имплементација неуронских мрежа
- Топ 6 поређења између ЦНН и РНН