|
Shoh Shoh tomonidan
|
| Sana | 21.05.2024 | | Hajmi | 1,88 Mb. | | #247672 |
Bog'liq Untitled.en.uz F.MulaydinovSh.Nishonqulov.RaqamliiqtisodiyotdaAKT1, 6-sinf, aptis advanced candidate guide 2020 a4 final 0, УМК Ўзб.энг янги тарихи 2022-23, Mavzu Elektronikaning rivojlanish tarixi, zamonaviy holati va i, nM7UPq8OiSI5rIILvxp7lobVfmL7L33y1DxMbyBr, Elektronika va asbobsozlik
Konvolyutsion neyron tarmoqlarga (CNN) kirish
CNN - bu chuqur o'rganish modelining kuchli turi bo'lib, u tasvirni aniqlash va tasniflash kabi vazifalarni bajaradi. Ma'lumotlardan vizual xususiyatlarni avtomatik o'rganish va ajratib olish uchun ular o'zaro bog'langan qatlamlarning noyob arxitekturasidan foydalanadilar.
Shoh Shoh tomonidan
Translated from English to Uzbek - www.onlinedoctranslator.com
CNNning asosiy tushunchalari
1
Konvolyutsion qatlamlar
Bu qatlamlar kirishning mahalliy hududlariga oʻrgatiladigan filtrlarni qoʻllaydi, qirralar va shakllar kabi past darajadagi xususiyatlarni aniqlaydi.
2
Birlashtiruvchi qatlamlar
Ushbu qatlamlar xususiyat xaritalarining fazoviy hajmini kamaytiradi, bu esa tarmoqni fazoviy o'zgarishlarga nisbatan mustahkamroq qiladi.
3
To'liq bog'langan qatlamlar
Ushbu yakuniy qatlamlar yuqori darajadagi xususiyatlarni kerakli chiqish toifalariga tasniflaydi.
Konvolyutsion qatlamlar va xususiyatlarni ajratib olish
Mahalliy ulanish
Konvolyutsion qatlamlar har bir neyronni oldingi qatlamning mahalliy hududiga ulab, tarmoqqa fazoviy xususiyatlarni samarali ravishda ajratib olish imkonini beradi.
Umumiy og'irliklar
Bir xil o'rgatiladigan og'irliklar (filtrlar) butun kirish bo'ylab ishlatiladi, bu parametrlar sonini kamaytiradi va tarjimaning o'zgarmasligini ta'minlaydi.
Ierarxik ta'lim
Tarmoqning chuqurroq qatlamlari oldingi qatlamlardagi oddiyroq xususiyatlarni birlashtirish orqali murakkabroq, mavhum xususiyatlarni o'rganadi.
Pooling qatlamlari va fazoviy o'zgarmaslik
1
Maksimal birlashma
Ushbu operatsiya mahalliy hududdan maksimal qiymatni tanlaydi, fazoviy o'lchamni kamaytiradi va tarmoqni kichik fazoviy o'zgarishlarga qadar mustahkam qiladi.
2
O'rtacha yig'ish
Ushbu operatsiya mahalliy hudud bo'yicha o'rtacha qiymatni hisoblab chiqadi, bu esa fazoviy piksellar sonining asta-sekin kamayishini ta'minlaydi.
3
Fazoviy o'zgarmaslik
Pooling qatlamlari CNN-larga kirish ichidagi ob'ektlarning aniq joylashuviga o'zgarmas xususiyatlarni o'rganish imkonini beradi, bu tasvirni samarali tanib olishning asosiy xususiyati.
To'liq bog'langan qatlamlar va tasnifi
Xususiyatlar integratsiyasi
To'liq bog'langan qatlamlar yakuniy tasnif natijasini ishlab chiqarish uchun konvolyutsion va birlashtiruvchi qatlamlar tomonidan chiqarilgan yuqori darajadagi xususiyatlarni birlashtiradi.
Qattiq ulanishlar
To'liq bog'langan qatlamdagi har bir neyron oldingi qatlamdagi har bir neyronga ulangan bo'lib, tarmoqqa murakkab, chiziqli bo'lmagan qaror chegaralarini o'rganish imkonini beradi.
Chiqish bashorati
Yakuniy to'liq bog'langan qatlam tarmoqqa kirish tasvirini tasniflash imkonini beruvchi har bir chiqish sinfi uchun bashorat qilingan ehtimolliklarni ishlab chiqaradi.
CNNlarni o'qitish va optimallashtirish
Gradient tushishi
Tarmoq yo'qotish funksiyasini minimallashtirish uchun stokastik gradient tushishi kabi iterativ optimallashtirish algoritmi yordamida o'qitiladi.
Muntazamlashtirish
Ortiqcha o'rnatishning oldini olish va tarmoqni umumlashtirish samaradorligini oshirish uchun tashlab ketish va vaznni pasaytirish kabi usullar qo'llaniladi.
Ma'lumotlarni ko'paytirish
O'qitish ma'lumotlar to'plamini aylantirish, aylantirish va masshtablash kabi o'zgartirishlar orqali sun'iy ravishda kengaytirish tarmoq unumdorligini yanada oshirishi mumkin.
Kompyuter ko'rishda CNN qo'llanilishi
Tasvir tasnifi
CNN tasvirlardagi ob'ektlar, sahnalar va harakatlarni eng so'nggi aniqlik bilan tanib olish va tasniflashda ustundir.
Ob'ektni aniqlash
CNN tasvir ichidagi bir nechta ob'ektlarning joylashishini aniq belgilashi va ularni bir vaqtning o'zida tasniflashi mumkin.
Tasvir segmentatsiyasi
CNNlar tasvirni semantik jihatdan mazmunli hududlarga bo'lishlari mumkin, bu esa avtonom haydash va tibbiy tasvirlash kabi ilovalarga imkon beradi.
Xulosa va kelajak yo'nalishlari
Davomli avanslar
Chuqur o'rganish bo'yicha tadqiqotlar davom etar ekan, CNN kompyuterni ko'rish va undan tashqarida mumkin bo'lgan chegaralarni kengaytirishda davom etadi.
Samarali arxitekturalar
Yangi CNN dizaynlari va optimallashtirish usullari ushbu modellarni chekka qurilmalarda joylashtirish uchun yanada ixcham va energiya tejamkor qiladi.
Multimodal integratsiya
CNN-larni boshqa chuqur o'rganish modellari bilan birlashtirish turli xil sensorli kirishlar orqali dunyoni tushuna oladigan kuchli multimodal tizimlarni ishga tushiradi.
|
| |
