Mitä on Konvoluutio neuroverkko Arkkitehtuuri?

Tämä artikkeli on julkaistu osana Data Science Blogathon.

Johdanto

– Projektia kuvaa tunnustamista tai Objektin Tunnistamiseen, mutta ei ole perusasiat rakentaa arkkitehtuuri?,

tässä artikkelissa, aiomme nähdä, mitä ovat konvoluutio neuroverkko arkkitehtuurit suoraan perus-ja otamme perus arkkitehtuuri tapaustutkimus soveltaa opit, ainoa edellytys on, sinun tarvitsee vain tietää, miten konvoluutio toimii, Mutta älä huoli, se on hyvin yksinkertainen !!

ottakaamme yksinkertainen Konvoluutio neuroverkko,

– menemme kerros-viisasta saada syvä oivalluksia tästä CNN.,

Ensimmäinen, siellä muutamia asioita, oppia kerros 1, joka on tasapainoiset ja täyte, meidän tulee nähdä jokainen niistä lyhyesti esimerkkejä

oletetaan, että tämä tulo matriisi 5×5 ja suodattimen matriisi 3X3, niille, jotka eivät tiedä, mitä suodatin on joukko painoja matriisi soveltaa kuvan tai matriisi saada tarvittavat ominaisuudet, ota haku konvoluutio jos tämä on ensimmäinen kerta!

huomaa: otamme aina kaikkien arvojen summan tai keskiarvon konvoluutiota tehdessämme.,

suodatin voi olla mitään syvyyttä, jos suodatin on ottaa syvyys d se voi mennä syvyyteen d kerroksia ja convolute minä.,”f4a6da248a”>

Tänne tulo on kooltaan 5 x 5 levittämisen jälkeen 3×3-ytimen tai suodattimia, voit saada 3×3-lähtö ominaisuus karttaa niin pyrkikäämme muotoilla tämä

Joten lähtö korkeus on muotoiltu ja sama o/p-leveys lisäksi…

Pehmusteet

Kun hakee convolutions me ei saada lähtö mitat samat kuin input menetämme tiedot yli rajojen, jotta voimme liittää raja-nollia ja laske konvoluutio, joka kattaa kaikki tulo-arvot.,r leveys myös

Harppoen

joskus emme halua kaapata kaikki tiedot on saatavilla, joten me jättää joitakin naapurimaiden soluja olkaamme visualisoida,

Tänne tulo matriisi tai kuva on mitoiltaan 5 x 5 suodattimella 3×3 ja askelpituus 2. niin joka kerta, kun me ohittaa kaksi saraketta ja kierre, anna meille muotoilla tämä

Jos mitat ovat kellua voit ottaa ceil() tuotos minä.,e (seuraava lähellä kokonaisluku)

Täällä S viittaa korkeuteen, joten lähtö korkeus on muotoiltu ja sama o/p leveys myös ja tässä 2 on stride-arvo, joten voit tehdä sen S-kaavoja.

Yhdistäminen

yleisesti yhdistäminen viittaa pieni osa, joten tässä otamme pieni osa tulo ja yrittää ottaa keskiarvo nimitystä keskimääräinen yhdistäminen tai ottaa suurin arvo ilmaisua kuin max yhdistämistä, niin tekemällä yhdistäminen kuvan, mutta emme ota pois kaikki arvot otamme tiivistää arvo kaikki arvot läsnä !!!,

täältä tämä on esimerkki max yhdistäminen niin, täällä kun voittajana kaksi olemme ottaen suurin arvo läsnä matriisi

Aktivointi toiminto

Aktivointi toiminto on solmu, joka on laittaa lopussa tai välissä neuroverkkojen. Ne auttavat päättämään, ampuisiko neuroni vai ei., Meillä on erilaisia aktivointi toimii aivan kuten yllä olevassa kuvassa, mutta tässä postitse, minun painopiste on Korjannut Lineaarinen Yksikkö (ReLU)

Älä pudota leuat, tämä ei ole niin monimutkainen tämä funktio yksinkertaisesti palauttaa 0 jos arvo on negatiivinen, muuten se palauttaa sama arvo annoit, ei mitään, vaan poistaa negatiivisia tuotoksia ja ylläpitää arvoja välillä 0 – +infinity

Nyt, että meillä on oppinut kaikki perusasiat, joita tarvitaan olkaamme tutkia perus hermo net kutsutaan LeNet.,

LeNet-5

ennen aloittamista nähdään, mitkä ovat tähän mennessä suunnitellut arkkitehtuurit.,kehitysmaissa

Mitkä ovat tulot ja lähdöt (Kerros 0 ja Kerros N) :

– Täällä meillä on ennustaa numeroa tulon perusteella kuvan antanut, huomaa, että täällä kuva on mitat korkeus = 32 pikseliä, leveys = 32 pikseliä, ja syvyys 1, joten voimme olettaa, että se on harmaasävy kuva tai musta ja valkoinen, pitäen mielessä lähtö on softmax kaikki 10-arvot, täällä softmax antaa todennäköisyyksiä tai tunnuslukuja kaikki 10 numeroa, voimme ottaa numero, lähtö kanssa suurin todennäköisyys tai suhde.,ef5″>

Tässä otamme tulo-ja convoluting suodattimia koko 5 x 5 mikä tuottaa tuotos koko 28 x 28 tarkistaa kaavassa lasketaan tuotos, asia tässä on, että meillä on otettu 6 tällaiset suodattimet ja siksi syvyys conv1 on 6, joten sen mitat olivat, 28 x 28 x 6 nyt siirtää tämän jakava kerros

Yhdistäminen 1 (Kerros 2) :

Tässä otamme 28 x 28 x 6 syötteenä ja soveltamalla keskimääräinen yhdistämällä matriisin 2×2 ja stride-2. en.,e leijuu 2 x 2 matriisin tulon ja ottaen keskimäärin kaikki ne neljä pikseliä ja hyppy ohita 2 saraketta joka kerta, mikä antaa 14 x 14 x 6 tuotoksena olemme tietojenkäsittelyn yhdistämistä varten jokainen kerros niin täällä lähtö syvyys on 6,

Konvoluutio 2 (Layer 3) :

Tässä otamme 14 x 14 x 6 i.e edellinen o/s ja convoluting suodattimen koko 5 x5, jossa voittajana 1 i.,e (ei ohittaa), ja nolla pehmusteet, jotta saamme 10 x 10 lähtö, nyt täällä otamme 16 tällaiset suodattimet syvyys 6 ja convoluting jolloin saadaan antoteho 10 x 10 x 16

Yhdistäminen 2 (Layer 4):

Tässä otamme lähtö edellisen kerroksen ja suorittaa keskimääräinen yhdistäminen, jossa voittajana 2 i.,yer (N-1) :

Lopulta, me litistää kaikki 5 x 5 x 16 yksi kerros koko 400 arvot on syöttänyt ne rehu-eteenpäin neuroverkko 120 neuronien, joiden paino matriisin koko ja piilotettu kerros 84 neuronien kytketty 120 neuronien paino matriisi ja nämä 84 neuronien todellakin on liitetty 10 lähtö neuronien

Nämä o/p neuronien viimeistellä ennustaa numero softmaxing .,

miten Konvolusoitu hermoverkko oikeasti toimii?,

Se toimii kautta painon jakaminen ja harva yhteydet,

Joten täällä voit nähdä konvoluutio on joitakin painoja nämä painot ovat yhteisiä kaikille input neuronien, ei jokaisen panos on erillinen paino nimeltään painon jakaminen, ja ei kaikki tulo neuronit ovat kytketty lähtö neuroni on ’ o vain joitakin, jotka ovat sekava potkut tunnetaan harva yhteydet, CNN ei poikkea rehu-eteenpäin neuroverkkojen nämä kaksi ominaisuudet tekevät niistä erityisiä !!!,

viittaa kohtaan

1. Jokaisen konvoluutio tuotos lähetetään aktivointi-toiminto, jotta saadaan parempia ominaisuuksia ja säilyttää positiivisuus esim: ReLu

2. Harva yhteydet ja painon jakaminen ovat tärkein syy konvoluutio neuroverkko töihin

3. Käsite valita useita suodattimia kerrosten välillä ja täyte ja voittajana ja suodattimen mitat ovat ottaneet tehdä useita kokeiluja, älä huoli, keskittyä rakentamaan perusta, joskus voit tehdä niitä kokeita ja rakentaa tuottavampia yksi!!!,

Voit myös lukea tämän artikkelin meidän Mobile APP

---