Преглед
Конволюционните невронни мрежи (CNN) са основната архитектура за разбиране на изображения. Те научават визуални модели чрез плъзгане на малки филтри през картина, поради което захранват всичко от отключване с лице до анализ на медицинско сканиране.
Конволюционните невронни мрежи се намират в основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение.
Дълбоко гмуркане
CNN обработва изображение чрез плъзгане на малки решетки от тежести, наречени филтри или ядра, през пикселите. Всеки филтър сканира за един модел, като ръб, цветно петно или ъгъл. Ранните слоеве откриват прости характеристики; по-дълбоките слоеве ги комбинират в очи, колела или текст. Тъй като един и същ филтър се използва повторно на всяка позиция (споделяне на тегло), CNN се нуждае от много по-малко параметри от напълно свързана мрежа и може да забележи котка, независимо дали се появява в горния ляв или долния десен ъгъл. Слоевете за обединяване свиват изображението между стъпките, което прави мрежата по-бърза и по-толерантна към малки смени. Забележителни дизайни като LeNet, AlexNet (2012) и ResNet доведоха до бума на задълбочено обучение, като победата на AlexNet в ImageNet разпали съвременната ера в областта.
Техническа информация
Основната операция е конволюция: филтър (да речем 3x3 тегла) се наслагва върху парче от пиксели, всяко тегло се умножава по своя пиксел и резултатите се сумират в едно изходно число. Плъзгането на филтъра създава карта на характеристиките. Две идеи правят това ефективно: споделяне на тежестта (един филтър се използва повторно навсякъде) и локална свързаност (всеки неврон вижда само малък регион). Конволюцията на подреждането, нелинейността като ReLU и обединяването позволяват на мрежата да изгради йерархия от все по-абстрактни визуални характеристики.
Овладяване на конволюционни невронни мрежи
Конволюционните невронни мрежи (CNN) са основната архитектура за разбиране на изображения. Те научават визуални модели чрез плъзгане на малки филтри през картина, поради което захранват всичко от отключване с лице до анализ на медицинско сканиране. Конволюционните невронни мрежи се намират в основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение. За да изградите дълбоко разбиране, третирайте конволюционните невронни мрежи като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи конволюционни невронни мрежи, първо изграждат силни концептуални модели, след което картографират тези модели към реални производствени ограничения. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Помага ви да отделите ясните технически твърдения от маркетинговия език. В същото време различни екипи могат да използват един и същ термин по различен начин, така че дефинирайте обхвата рано. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Помага ви да отделите ясните технически твърдения от маркетинговия език.
Помага ви да отделите ясните технически твърдения от маркетинговия език. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Откриване на тумори, фрактури и диабетна ретинопатия в рентгенови лъчи, компютърна томография и снимки на ретината
Активиране на разпознаването на лица за отключване на телефона и маркиране на снимки в приложения като Google Photos
Разчитане на улични знаци, маркировки на платна и пешеходци в системи за възприемане на самоуправляващи се автомобили
Автоматично маркиране на дефектни продукти на фабрични поточни линии чрез инспекция с камера
Модели на изпълнение
Конволюционните невронни мрежи на практика
Откриване на тумори, фрактури и диабетна ретинопатия в рентгенови лъчи, компютърна томография и снимки на ретината.
Откриване на тумори, фрактури и диабетна ретинопатия в рентгенови лъчи, компютърна томография и снимки на ретината Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Конволюционните невронни мрежи на практика
Активиране на разпознаването на лица за отключване на телефона и маркиране на снимки в приложения като Google Photos.
Активиране на разпознаването на лица за отключване на телефона и маркиране на снимки в приложения като Google Photos Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Конволюционните невронни мрежи на практика
Разчитане на улични знаци, маркировки на платна и пешеходци в системи за възприемане на самоуправляващи се автомобили.
Разчитане на улични знаци, маркировки на платна и пешеходци в системи за възприемане на самоуправляващи се автомобили Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество отпред, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Конволюционните невронни мрежи на практика
Автоматично маркиране на дефектни продукти на фабрични поточни линии чрез инспекция с камера.
Автоматично маркиране на дефектни продукти на фабрични поточни линии чрез инспекция с камери Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Пътна карта за изпълнение
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изберете един показател за успех и едно условие за неуспех преди тестване.
Изберете един показател за успех и едно условие за неуспех преди тестване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Документирайте къде конволюционните невронни мрежи помагат и къде по-простите методи са по-добри.
Документирайте къде конволюционните невронни мрежи помагат и къде по-простите методи са по-добри. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.