16 lượt xem

Convolutional Neural Network là gì? Cách chọn tham số cho Convolutional Neural Network chuẩn chỉnh | Acb-win.com

Derivato dal modello Deep Learning, Convolutional Neural Network è considerato un sistema di algoritmi di altissima precisione. Attualmente, la rete neurale convoluzionale è ampiamente utilizzata nel riconoscimento di volti e immagini estremamente intelligente e flessibile. Allora, cos’è la rete neurale convoluzionale? Scopriamo l’articolo con Tino Group proprio qui sotto!

Informazioni sulla rete neurale convoluzionale

Che cos’è la rete neurale convoluzionale?

Rete neurale convoluzionale (CNN o ConvNet) approssimativamente tradotto come: Rete neurale dell’accumulatore. Questo è considerato uno dei modelli di Deep Learning: un insieme di algoritmi per avere un modello di dati altamente astratto che utilizza più livelli di elaborazione strutturale complessa. Per dirla semplicemente, la CNN è una classe di reti neurali profonde, più comunemente applicate per l’analisi delle immagini visive.

rete neurale-convoluzionale-la-gi

Al momento, non abbiamo la definizione più precisa dell’algoritmo CNN. La rete CNN è progettata con lo scopo di elaborare i dati attraverso molti livelli di array. Inoltre, la CNN può aiutarti a creare un sistema intelligente che risponde con un’elevata precisione.

Per esempio: Puoi utilizzare questo tipo di rete neurale in applicazioni come: riconoscimento di immagini, riconoscimento facciale e ora è stata inclusa in piattaforme come Facebook, Google, ecc.

Rispetto alle reti neurali convenzionali, le reti CNN prendono come input un array bidimensionale e operano direttamente sull’immagine invece di concentrarsi sull’estrazione di caratteristiche che spesso trovi in ​​altre reti neurali.

Cosa sono le caratteristiche?

La funzione è tradotta in vietnamita come Caratteristiche. Quando si utilizza l’algoritmo della CNN che confronta l’immagine pezzo per pezzo, ogni pezzo viene chiamato Caratteristica.

Ogni caratteristica è vista come una mini-immagine o piccoli array bidimensionali. Le caratteristiche sono abbinate agli aspetti comuni nell’immagine. Ciò significa che la caratteristica corrisponderà ad alcuni aspetti dell’immagine e si adatteranno insieme.

Che cos’è convoluzionale?

Convoluzionale è inteso come convoluzione. Fondamentalmente, quando si visualizza una nuova immagine, l’algoritmo della CNN non saprà dove si trova, dove corrisponderanno le caratteristiche?

Pertanto, Convolutional li proverà con tutte le diverse posizioni e formerà un filtro chiamato Filtro. Questo processo viene eseguito attraverso la sezione di matematica neurale convoluzionale.

rete neurale-convoluzionale-la-gi

Quanti livelli di base ha la rete neurale convoluzionale?

#primo. Strati convoluzionali

Dei tre strati della rete neurale convoluzionale, lo strato convoluzionale è considerato il livello più importante. Perché il Convolutional Layer rappresenterà la CNN per fare tutta la matematica.

Che cos'è la rete neurale convoluzionale?  Come scegliere i parametri per una 2. rete neurale convoluzionale standard

ANNUNCIO

Quando si tratta di Convolutional Layer, dobbiamo chiarire alcuni concetti che sono: Filter Map, Stride, Padding, Feature Map.

Filtra mappa

Se la ANN è collegata a ciascun pixel dell’immagine di input, la CNN può utilizzare i filtri da applicare alle aree dell’immagine. Queste Filter Map possono essere considerate come una matrice tridimensionale, composta da numeri e i numeri principali sono Parametri.

Passo

In Convolutional Neural Network, Stride è inteso come quando spostiamo la mappa del filtro per pixel e in base al valore da sinistra a destra. Stride denota semplicemente questo spostamento.

Imbottitura

Il riempimento è il valore 0 aggiunto alla classe Input.

Mappa delle caratteristiche

Questo è il risultato visualizzato dopo che ciascuna mappa filtro esegue la scansione dell’input. Su ciascuna di queste scansioni, vedrai l’aspetto del calcolo in corso.

#2. Strato di pooling

Quando l’input è troppo grande, i livelli di pooling verranno spostati tra i livelli convoluzionali per ridurre i parametri.

Pooling Layer è noto per due tipi popolari: Max Pooling e Average Pooling.

Al livello di pooling, quando si utilizza il livello di pooling massimo, il numero di parametri può essere ridotto. Quindi, Convolutional Neural Network apparirà molti livelli di Filter Map, ogni Filter Map produrrà un Max Pooling diverso.

rete neurale-convoluzionale-la-gi

#3. Livelli Relu

Questa è una funzione di attivazione nella rete neurale. Possiamo conoscere questa funzione di attivazione con un altro nome, Funzione di attivazione. Il compito principale della funzione di attivazione è simulare i neuroni con la velocità di trasmissione dell’impulso attraverso l’assone. In cui, la funzione di attivazione includerà funzioni di base come: Sigmoid, Tanh, Relu, Leaky Relu, Maxout.

Attualmente, la funzione Relu viene utilizzata in modo abbastanza popolare e comune. In particolare, Relu possiede vantaggi eccezionali come: supporto di calcolo veloce, quindi è molto popolare nell’allenamento delle reti di neuroni.

Quando usi Relu, devi prestare attenzione alla personalizzazione dei tassi di apprendimento e al monitoraggio delle unità morte. Questo Relu Layer viene utilizzato dopo che la Filter Map è stata calcolata e applica la funzione Relu a tutti i valori sulla Filter Map.

#4. Livello completamente connesso

Il livello completamente connesso è comunemente usato per produrre risultati.

Per esempio: Dopo che il livello convoluzionale e il livello di pooling hanno ricevuto le immagini passate attraverso di essi, otterrai il risultato che il modello ha letto molte informazioni sull’immagine. Pertanto, per essere in grado di collegare queste caratteristiche e l’output di output, è necessario utilizzare il livello completamente connesso.

Inoltre, quando si ottengono i dati dell’immagine, il livello completamente connesso li convertirà in elementi segmentati di qualità. Simile a dividerli in voti e valutazioni per scegliere l’immagine della migliore qualità. Tuttavia, questo processo non è considerato un processo democratico, quindi viene utilizzato raramente.

Struttura della rete neurale convoluzionale

La rete neurale convoluzionale è una raccolta di molti strati convoluzionali uno sopra l’altro, che utilizzano le funzioni di attivazione non lineare e tanh per attivare i pesi nei nodi. In ogni livello della CNN, dopo essere stato attivato dalle funzioni, creerà informazioni più astratte per i livelli successivi. Ogni livello successivo sarà un risultato di Convoluzione dal livello precedente, quindi otteniamo connessioni locali.

Attraverso il training della rete, i CNN Layer apprendono automaticamente i valori rappresentati dai Filter layer.

Per esempio: Nell’attività di classificazione delle immagini, le CNN cercheranno di trovare i parametri ottimali per i filtri corrispondenti in un ordine: Raw Pixel => Bordi => Forme => Facciale => Funzionalità di alto livello. L’ultimo livello viene utilizzato per classificare l’immagine.

Nel modello CNN, devi prestare attenzione a due aspetti: invarianza della posizione e composizionalità. Se lo stesso oggetto viene proiettato da angolazioni diverse (Traslazione, Rotazione, Ridimensionamento), l’accuratezza dell’algoritmo sarà notevolmente influenzata.

rete neurale-convoluzionale-la-gi

Le operazioni di spostamento, rotazione o ridimensionamento verranno utilizzate Pooling Layer per invariare le altre proprietà. Pertanto, la CNN fornisce risultati di precisione piuttosto elevati nei modelli.

La CNN ha una struttura di base composta da tre parti principali: campo ricettivo locale, pesi e bias condivisi e pooling.

Campo Ricettivo Locale

Campo Ricettivo Locale, approssimativamente tradotto: scuola di accoglienza locale. Questo è considerato un livello che consente di separare e filtrare i dati e le informazioni dell’immagine e selezionare le aree dell’immagine più preziose da utilizzare.

Pesi e bias condivisi

Pesi condivisi, approssimativamente tradotti: pesi condivisi. La funzione principale di questo livello è di aiutarti a ridurre al minimo il numero di parametri nella rete CNN. Poiché in ogni convoluzione includerà una mappa delle caratteristiche diversa, ciascuna mappa delle funzioni aiuta a rilevare alcune caratteristiche nell’immagine.

Strato di pooling

Livello di pooling, approssimativamente tradotto: classe composita. Questo è considerato quasi l’ultimo livello prima che i risultati vengano visualizzati nella CNN. Pertanto, al fine di ottenere i risultati più comprensibili e di facile utilizzo, il Pooling Layer ha il compito di semplificare le informazioni di output. Cioè, dopo aver completato il processo di calcolo e scansione dei livelli, andremo al livello di pooling per rimuovere le informazioni non necessarie e produrre i risultati di cui abbiamo bisogno.

Come scegliere i parametri per una rete neurale convoluzionale standard

Convolutional Neural Network è un algoritmo che offre una qualità del modello estremamente buona per costruire il sistema nel modo più intelligente. Per scegliere i parametri più standard per la rete neurale convoluzionale, è necessario prestare attenzione alle quantità nei seguenti 4 fattori: il numero di strati di convoluzione, la dimensione del filtro, la dimensione del pool e il metodo Train Test.

rete neurale-convoluzionale-la-gi

Numero di strati di convoluzione

Più livelli di livelli di convoluzione, migliore sarà l’esecuzione del programma. Quando si utilizzano livelli con un numero elevato, gli effetti possono essere notevolmente ridotti. Forse dopo 3 o 4 strati otterrai il risultato desiderato.

Dimensione del filtro

La maggior parte delle dimensioni dei filtri sono generalmente 3×3 o 5×5

Dimensione del raggruppamento

Per i tipi di immagine normali, la dimensione sarà 2×2, ma se l’input dell’immagine è grande, puoi utilizzare Pooling Size 4×4 per garantire la qualità dell’immagine.

Prova del treno

Dovresti eseguire il test del treno più volte per confrontare i risultati. Questo ti aiuta a ottenere i migliori parametri.

Fondamentalmente, Convolutional Neural Network ti offre modelli di alta qualità. Tuttavia, capire e utilizzare questo algoritmo non è facile per tutti, specialmente per coloro che sono nuovi alla CNN per la prima volta.

Spero che questo articolo possa aiutarti a capire meglio “Cos’è la rete neurale convoluzionale?” e come scegliere il parametro CNN appropriato. La CNN può essere considerata uno degli algoritmi intelligenti e altamente efficienti ampiamente applicati ai sistemi di elaborazione delle informazioni come il miglioramento delle auto a guida autonoma, la consegna automatica, ecc. Ti auguro una buona esperienza Esperienza utile con l’algoritmo della CNN!

Domande frequenti sulla rete neurale convoluzionale

Cosa può fare l’applicazione della convoluzione ai livelli nelle reti neurali?

Quando si applica Convoluzione a un livello in una rete neurale, è possibile risolvere il problema di un gran numero di parametri ma garantire comunque di ottenere le caratteristiche dell’immagine.

Il kernel di ogni Chanel può essere usato arbitrariamente?

Il kernel per ogni Chanel viene inizializzato con determinati valori. Dopo ogni Treno, questi valori vengono nuovamente aggiornati utilizzando il metodo Backpropagation. Pertanto, i valori nel kernel non sono troppo diversi dai normali pesi di peso, puoi calcolarne il gradiente in base alla funzione Loss per sottrarre gradualmente.

Perché il livello di convoluzione è seguito dal livello di pooling?

Lo strato di pooling segue lo strato di convoluzione con l’obiettivo di ridurre la dimensione della matrice. Ad esempio: quando usi Max Pooling 2×2, su 4 valori sceglierai il valore più grande, ovvero 4 rimanenti 1.

Perché il livello convoluzionale mostra il numero di kernel senza specificare ciascun kernel?

I coefficienti della CNN si autoapprendereranno attraverso il processo di formazione. Pertanto, non puoi conoscere ogni kernel in modo specifico, puoi solo identificare e utilizzare così tanti indici del kernel.

SOCIETÀ PER AZIONI DEL GRUPPO TINO

  • Sede centrale: L17-11, Piano 17, Vincom Center Building, No. 72 Le Thanh Ton, Ben Nghe Ward, Distretto 1, Ho Chi Minh City
    Ufficio di rappresentanza: 42 Tran Phu, Ward 4, District 5, Ho Chi Minh City
  • Telefono: 0364 333 333
    Call center gratuito: 1800 6734
  • E-mail: sales@tino.org
  • Sito web: www.tino.org

READ  Tìm hiểu dịch vụ Bankplus Agribank | Acb-win.com