CNN искусственная нейронная сеть сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

magbo system

Сочинение на тему CNN искусственная нейронная сеть

CNN – это тип глубоких искусственных нейронных сетей, основанных на архитектуре прямой связи, которая оказывается эффективной при применении в визуальных образах. Это требует минимальной предварительной обработки из-за его многослойной конструкции персептрона и всегда предполагает, что вход, который он получает, является изображением, которое действительно помогает передавать определенные параметры в архитектуру. Однако из-за этого предположения мы можем более эффективно реализовать прямую функцию, а также это поможет уменьшить параметры в сети.

     

  • В машинном обучении CNN или ConvNet – это класс глубоких искусственных нейронных сетей с прямой связью, которые успешно применяются для анализа визуальных образов.
  •  

  • Используется относительно небольшая предварительная обработка по сравнению с другими алгоритмами классификации изображений.
  •  

  • Сеть изучает фильтры, которые в традиционных алгоритмах создавались вручную. Эта независимость от предшествующих знаний и человеческих усилий в разработке функций является большим преимуществом. Рисунок 4.2: Работа CNN. CNN состоит из входного слоя, выходного слоя и нескольких скрытых слоев. Его архитектура формируется из набора отдельных слоев, которые преобразуют входной объем в выходной объем с помощью дифференцируемой функции. Несколько различных типов скрытых слоев, которые обычно используются:
  •  

  • Сверточный слой. Сверточный слой является основным строительным блоком CNN. Параметры слоя состоят из набора обучаемых фильтров (или ядер), которые имеют небольшое восприимчивое поле, но распространяются на всю глубину входного объема. Во время прямого прохода каждый фильтр сворачивается по ширине и высоте входного объема, вычисляя скалярное произведение между записями фильтра и входными данными и создавая двумерную карту активации этого фильтра. В результате сеть изучает фильтры, которые активируются, когда она обнаруживает некоторый конкретный тип объекта в некоторой пространственной позиции на входе. Рисунок 4.3: Сверточный слой.

 

  • Уровень пула. Еще одна важная концепция CNN – это пул, который является формой нелинейной понижающей дискретизации. Существует несколько нелинейных функций для реализации объединения, среди которых максимальное объединение является наиболее распространенным. Он разбивает входное изображение на набор неперекрывающихся прямоугольников и для каждого такого подобласти выводит максимум. Интуиция заключается в том, что точное местоположение объекта менее важно, чем его грубое расположение по сравнению с другими объектами. Уровень пула служит для постепенного уменьшения пространственного размера представления, для уменьшения количества параметров и объема вычислений в сети, и, следовательно, также для управления подгонкой. Рис.4.4: Максимальный уровень пула.
  •  

  • Полностью связаны. Полностью связанные слои соединяют каждый нейрон в одном слое с каждым нейроном в другом слое. Наконец, после нескольких сверточных и максимальных уровней объединения, рассуждение высокого уровня в нейронной сети осуществляется через полностью связанные уровни. Нейроны в полностью связанном слое имеют связи со всеми активациями в предыдущем слое, как это видно в обычных нейронных сетях. Их активации, следовательно, могут быть вычислены с умножением матрицы с последующим смещением смещения. Входные монохромные изображения для наших тренировочных данных имели размер 128 × 128. Мы центрировали кадрированные входные изображения, чтобы получить желаемый размер пикселей для наших экспериментов. Изображения обрабатываются через кучу сверточных слоев, где мы использовали небольшой фильтр размером 3 × 3. Наша сеть состоит из 21 слоя. Мы использовали фиксированный сверточный шаг в 1 пиксель с отступом в 1 пиксель для сверточного слоя 3 × 3. Для максимального пула мы использовали пиксельное окно 2 × 2. Мы использовали стек сверточных слоев (где с разной глубиной мы можем достичь разных архитектур), которые переносятся четырьмя полностью связанными слоями.
  • Для первого полностью связанного слоя мы использовали 500 каналов, а для следующих трех слоев – 1000 каналов. Пятый полностью связанный слой будет иметь 5 каналов, которые будут выполнять классификацию для наших пяти классов. Выпадающие слои используются для уменьшения перестройки сети. Вот информация о слоях пользовательской модели.

    Зарегистрируйся, чтобы продолжить изучение работы

      Поделиться сочинением
      Ещё сочинения
      Нет времени делать работу? Закажите!

      Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.