ቀሪ አውታረ መረቦች መመሪያ

አጠቃላይ እይታ

ይህ ቀላል ብልሃት በመቶዎች የሚቆጠሩ ንብርብሮችን ለማሰልጠን አስችሏል, ይህም በምስል ማወቂያ ትክክለኛነት ላይ ዝላይ አስከትሏል.

ጥልቅ ዳይቭ

ከResNets በፊት፣ በአያዎአዊ መልኩ የተሰሩ ብዙ ንብርቦችን መደርደር በስልጠና መረጃ ላይም ቢሆን የከፋ ተግባር ይፈጽማሉ፣ ይህ ችግር መበላሸት ይባላል። እ.ኤ.አ. በ2015፣ Microsoft ተመራማሪዎች ካይሚንግ ሄ እና ባልደረቦቻቸው ቀሪውን እገዳ አስተዋውቀዋል፡ የንብርብሮች ቁልል ውፅዓት H(x) እንዲያመርት ከመጠየቅ ይልቅ ቀሪ F(x) = H(x) - x እንዲማር ፈቀዱለት፣ በመቀጠልም ኦርጅናሉን ግብዓት x በአቋራጭ ጨምረዋል። ንብርብሩ የማያስፈልግ ከሆነ ምንም ነገር ማድረግን በቀላሉ መማር ይችላል (F(x) = 0)። ResNet-152 የ2015 ImageNet ውድድርን በምርጥ-5 በ3.6 በመቶ ገደማ በማሸነፍ፣የሰው ደረጃ ግምቶችን በማሸነፍ፣እና አርክቴክቸር የመለየት፣የመከፋፈል እና የህክምና ምስል መሰረታዊ የጀርባ አጥንት ሆነ።

ቴክኒካዊ ግንዛቤ

የዝላይ ግንኙነቱ የእያንዳንዱን ብሎክ ስራ ወደ y = F(x) + x ይለውጠዋል። በኋለኛው ፕሮፓጋንዳ ወቅት፣ ቅልመት በማንነት አቋራጭ በኩል ሳይለወጥ ይፈሳል፣ ስለዚህ በመቶዎች በሚቆጠሩ ንብርብሮች ውስጥ እንኳን ወደ ዜሮ ሊጠፋ አይችልም። ይህ ጥልቅ ቁልል መሰልጠን ያደርገዋል። የማንነት አቋራጮች ምንም ተጨማሪ መለኪያዎች አይጨምሩም; የግቤት እና የውጤት መጠኖች ሲለያዩ ብቻ ትንሽ ትንበያ (1x1 convolution) ከመጨመሩ በፊት ልኬቶችን ያስተካክላል።

ስልታዊ ተጽእኖ

ፍጥነት እና ልኬት

ቪዥዋል AI የመመርመሪያ፣ የማወቅ እና የመለያ ስራዎችን በሚዛን መጠን በራስ ሰር ሊያደርግ ይችላል።

ምርጫዎችን ይገንቡ

የፈጠራ ቡድኖች በጥቂት የእጅ ክለሳዎች ጽንሰ-ሀሳቦችን በፍጥነት መተየብ ይችላሉ።

ቡድን እና የስራ ፍሰት

ክዋኔዎች ከዚህ ቀደም ለማስኬድ አስቸጋሪ የነበሩትን የምስል እና የቪዲዮ ምልክቶችን መጠቀም ይችላሉ።

የቀሩት አውታረ መረቦች የወደፊት

ቀሪ ግኑኝነቶች አሁን ሁለንተናዊ ቅርብ ናቸው፡ ትራንስፎርመሮች፣ የስርጭት ሞዴሎች እና ትላልቅ የቋንቋ ሞዴሎች ሁሉም በጣም ጥልቅ የሆኑ ቁልል ስልጠናዎችን ለማረጋጋት ይጠቀሙባቸዋል። እንደ ቅድመ-ማግበር ResNets፣ ResNeXt የተቧደኑ ዱካዎች፣ እና ቀሪ ሃሳቦችን ከመደበኛነት-ነጻ ስልጠና ጋር በማጣመር ላይ ምርምር ይቀጥላል። በዙሪያው ያሉት አርክቴክቸር ከንፁህ ውዝግቦች ወደ ትኩረት እና ዲቃላ ዲዛይኖች በሚሸጋገሩበት ጊዜ ዋናው የመዝለል-ግንኙነት መርህ እንደ ነባሪ የግንባታ ብሎክ እንዲቆይ ይጠብቁ።

የእውነተኛ-ዓለም አተገባበር

የImageNet ምደባ የጀርባ አጥንቶች (ResNet-50, ResNet-101) እንደ ቀድሞ የሰለጠነ ባህሪ አውጭዎች ትምህርትን ለማስተላለፍ ያገለግላሉ

በሬስኔት ላይ የተመሰረቱ ኢንኮዲተሮችን በመጠቀም በራዲዮሎጂ እና የፓቶሎጂ ምስሎች ላይ ዕጢ እና ጉዳት መለየት

የነገር ፈልጎ ማግኘት እና እንደ ፈጣን አር-ሲኤንኤን እና የResNet የጀርባ አጥንቶችን የሚጠቀሙ ማስክ R-CNN ያሉ ክፍሎች

እግረኞችን፣ ተሽከርካሪዎችን እና ምልክቶችን ከካሜራ ክፈፎች የሚከፋፍሉ በራስ የመንዳት ግንዛቤ ቧንቧዎች

አደጋዎች እና የጥበቃ መንገዶች

የምስል መብቶች እና ፈቃድ ግልጽ ካልሆነ ህጋዊ አደጋዎች ሊሆኑ ይችላሉ።

የሞዴል አፈጻጸም በብርሃን፣ በስነ-ሕዝብ እና በአካባቢው ሊለያይ ይችላል።

የመተማመን ገደቦች ካልተቆጣጠሩ የውሸት አወንታዊ ነገሮች ላይታዩ ይችላሉ።

የትግበራ ፍኖተ ካርታ

ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።

ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።

ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።

ከካሜራ ወይም የውሂብ ስብስብ ለውጦች በኋላ የሞዴሉን ተንሸራታች ይከታተሉ እና እንደገና ያረጋግጡ።

ማሰስዎን ይቀጥሉ

የኮምፒውተር እይታ

ምስላዊ AIን የሚያበረታቱ መሰረታዊ ስርዓቶችን ይረዱ።

መመሪያ ያንብቡ

AI ምስል ማመንጨት

የፍጥረት የስራ ፍሰቶችን እና የሞዴል ንግድን ያስሱ።

መመሪያ ያንብቡ

Free newsletter

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the Residual Networks quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

የባህሪ ፒራሚድ አውታረ መረቦች

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

ቀሪ አውታረ መረቦች ምንድን ናቸው?

ቀሪ ኔትወርኮች (ResNets) ከሙሉ ለውጦች ይልቅ ትናንሽ ማስተካከያዎችን እንዲማሩ የሚያስችሏቸው ጥልቅ የነርቭ አውታረ መረቦች 'ዝለል ግንኙነቶች' ናቸው። ይህ ቀላል ዘዴ በመቶዎች የሚቆጠሩ ንጣፎችን በጥልቀት ለማሰልጠን አስችሏል ፣ ይህም የምስል ማወቂያ ትክክለኛነት ላይ ከፍተኛ ደረጃ ላይ ደርሷል።

የተቀሩት ግንኙነቶች ምን ችግር ፈቱ?

ከResNets በፊት፣ ተጨማሪ ንብርብሮችን መጨመር በስልጠና መረጃ ላይ እንኳን ትክክለኛነት እንዲቀንስ አድርጓል። ንብርብሮችን ለማመቻቸት ቀላል በማድረግ ግንኙነቶችን ዝለል ያድርጉ።

የተረፈ ብሎክ በትክክል እንደ ውፅዓት ምን ያሰላል?

ቀሪ የማገጃ ውፅዓቶች y = F(x) + x፣ የተማረውን ቀሪ በመግቢያው ላይ በመዝለል ግንኙነት በማከል።

ግንኙነቶችን መዝለል ለምንድ ነው በስልጠና ወቅት ግሬዲየንቶችን የሚረዳው?

የመታወቂያ አቋራጭ ቀስ በቀስ ወደ ኋላ ሳይለወጥ ወደ ኋላ እንዲፈስ ቀጥተኛ መንገድ ይሰጣል፣ ይህም በጣም ጥልቅ በሆነ ቁልል ውስጥ ያለውን ጠፊ-ግራዲየንት ችግር ይከላከላል።

ከ 2015 አሸናፊው ResNet ሞዴል ምን ያህል ንብርብሮች ነበሩት?

ResNet-152, በ 152 ንብርብሮች, የ 2015 ImageNet ውድድርን አሸንፏል, ይህም በጣም ጥልቅ አውታረ መረቦች አሁን በተሳካ ሁኔታ ሊሰለጥኑ እንደሚችሉ ያሳያል.

የተረፈ ብሎክ ንብርብሮች F(x) = 0 ከተማሩ፣ ብሎክ ምን ያደርጋል?

F(x) = 0 ሲሆን ውጤቱ x ብቻ ስለሆነ እገዳው የማንነት ካርታ ይሆናል። ይህ ተጨማሪ ንብርብሮች አስፈላጊ ካልሆኑ ምንም ጉዳት የላቸውም.