Mitandao ya Neural ya Convolutional
Mitandao ya Neural Convolutional (CNNs) ni usanifu mkubwa wa kuelewa picha.
Muhtasari
They learn visual patterns by sliding small filters across a picture, which is why they power everything from face unlock to medical scan analysis.
Dive ya kina
CNN huchakata picha kwa kutelezesha gridi ndogo za uzani, zinazoitwa vichujio au kokwa, kwenye pikseli. Kila kichujio huchanganua mchoro mmoja, kama vile ukingo, sehemu ya rangi au kona. Tabaka za mapema hugundua vipengele rahisi; tabaka za kina zaidi huzichanganya kuwa macho, magurudumu, au maandishi. Kwa sababu kichujio sawa kinatumika tena katika kila nafasi (kushiriki uzito), CNN inahitaji vigezo vichache zaidi kuliko mtandao uliounganishwa kikamilifu na inaweza kumwona paka awe anaonekana juu kushoto au chini kulia. Safu za kuunganisha hupunguza picha kati ya hatua, na kufanya mtandao kwa kasi na uvumilivu zaidi wa mabadiliko madogo. Miundo ya kihistoria kama vile LeNet, AlexNet (2012), na ResNet iliendeleza maendeleo ya kujifunza kwa kina, huku ushindi wa AlexNet wa ImageNet ukiibua enzi ya kisasa ya uwanja.
Ufahamu wa Kiufundi
Operesheni ya msingi ni ubadilishaji: kichungi (sema uzani wa 3x3) hufunikwa kwenye kiraka cha saizi, kila uzani unazidishwa na pikseli yake, na matokeo yanajumlishwa kuwa nambari moja ya pato. Kutelezesha kichujio hutoa ramani ya kipengele. Mawazo mawili hufanya hili kuwa la ufanisi: kushiriki uzito (kichujio kimoja kinatumika tena kila mahali) na muunganisho wa ndani (kila neuroni huona eneo dogo tu). Kurundikana, kutokuwa na mshikamano kama vile ReLU, na ujumuishaji huruhusu mtandao kuunda safu ya vipengele vya kuona vinavyozidi kuwa dhahania.
Athari za kimkakati
Maamuzi ya wazi zaidi
Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
Cost and budget
Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
Timu na mtiririko wa kazi
Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Mustakabali wa Mitandao ya Neural Convolutional
CNN hubakia kutawala katika muda halisi na uoni usio na rasilimali, kama vile kamera za simu na mtazamo wa kujiendesha, kwa sababu zina kasi na zinatumia data vizuri. Vision Transfoma sasa inashindana au kuzishinda kwenye hifadhidata kubwa, kwa hivyo uga unajikita kwenye miundo mseto inayochanganya ufanisi wa ubadilishaji na mawazo ya kimataifa ya tahadhari. Tarajia CNNs kuendelea kutumia vifaa vilivyopachikwa na vya makali, katika upigaji picha wa kimatibabu ambapo data ni adimu, na kama vichochezi bora vya vipengele vinavyolisha mifumo mikubwa zaidi ya modi kwa miaka mingi ijayo.
Utekelezaji wa Ulimwengu Halisi
Kugundua tumors, fractures, na retinopathy ya kisukari katika X-rays, CT scans, na picha za retina.
Inawezesha utambuzi wa uso kwa kufungua simu na kuweka tagi kwenye programu kama vile Google Picha
Kusoma alama za barabarani, alama za njia, na watembea kwa miguu katika mifumo ya utambuzi wa magari yanayojiendesha yenyewe
Kuripoti bidhaa zenye kasoro kiotomatiki kwenye njia za kuunganisha kiwandani kupitia ukaguzi wa kamera
Hatari & Walinzi
Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Ramani ya Utekelezaji
Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
Hati ambapo Mitandao ya Neural Convolutional inasaidia na ambapo mbinu rahisi ni bora zaidi.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
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 Convolutional Neural Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Mitandao ya Neural ya Grafu
Maswali yanayoulizwa mara kwa mara
What is Convolutional Neural Networks?
Mitandao ya Neural Convolutional (CNNs) ni usanifu mkubwa wa kuelewa picha. Wanajifunza ruwaza za kuona kwa kutelezesha vichujio vidogo kwenye picha, ndiyo maana wanawezesha kila kitu kuanzia kufungua kwa uso hadi uchanganuzi wa uchunguzi wa kimatibabu.
Ni nini kazi kuu ya kichungi (kernel) kwenye CNN?
Kichujio ni gridi ndogo ya uzani ambayo inateleza juu ya picha, kuwezesha inapopata mchoro ambao imejifunza, kama vile ukingo au umbile.
Kwa nini CNN inahitaji vigezo vichache zaidi kuliko mtandao uliounganishwa kikamilifu kwa picha?
Kushiriki uzani kunamaanisha kuwa kichujio kimoja kidogo kinatumika kila mahali kwenye picha, kwa hivyo mtandao hutumia tena uzani sawa badala ya kujifunza tofauti kwa kila eneo la pikseli.
Safu ya kuunganisha kawaida hufanya nini?
Kukusanya (kama vile mkusanyiko wa juu zaidi) kunapunguza sampuli za ramani ya vipengele, kupunguza ukokotoaji na kufanya mtandao kuwa nyeti sana kwa mahali kipengele kinapoonekana.
Katika CNN ya kina, vipengele hubadilikaje kwa ujumla kutoka kwa tabaka za mapema hadi tabaka za baadaye?
Safu za awali hutambua vipengele vya kiwango cha chini kama vile kingo na rangi; tabaka za kina zaidi huchanganya hizi katika dhana za kiwango cha juu kama vile nyuso au sehemu za kitu.
Ni tukio gani ambalo linasifiwa sana kwa kuanzisha maono ya kisasa ya kujifunza kwa kina?
Ushindi mkubwa wa AlexNet wa 2012 ImageNet kwa kutumia CNN ya kina kwenye GPU uliwashawishi watafiti kuwa kujifunza kwa kina kunaweza kushinda mbinu za zamani, na hivyo kusababisha ukuaji wa haraka wa uwanja.