Вылучэнне прыкмет з'яўляецца найважнейшым крокам у працэсе сверточной нейронавай сеткі (CNN), які прымяняецца да задач распазнавання малюнкаў. У CNN працэс вылучэння функцый уключае ў сябе вылучэнне значных функцый з уваходных малюнкаў для палягчэння дакладнай класіфікацыі. Гэты працэс вельмі важны, паколькі неапрацаваныя значэнні пікселяў з відарысаў не падыходзяць непасрэдна для задач класіфікацыі. Вылучаючы адпаведныя характарыстыкі, CNN могуць навучыцца распазнаваць шаблоны і формы ў малюнках, што дазваляе ім адрозніваць розныя класы аб'ектаў або сутнасцяў.
Працэс вылучэння функцый у CNN звычайна ўключае выкарыстанне згортчных слаёў. Гэтыя пласты прымяняюць фільтры, таксама вядомыя як ядра, да ўваходнага малюнка. Кожны фільтр скануе ўваходны відарыс, выконваючы паэлементныя аперацыі множання і сумавання для атрымання карты функцый. Карты аб'ектаў фіксуюць пэўныя ўзоры або асаблівасці, якія прысутнічаюць на ўваходным малюнку, такія як краю, тэкстуры або формы. Выкарыстанне некалькіх фільтраў у сверточных пластах дазваляе CNN здабываць разнастайны набор функцый у розных прасторавых іерархіях.
Пасля згортчных слаёў CNN часта ўключаюць функцыі актывацыі, такія як ReLU (Rectified Linear Unit), каб увесці ў мадэль нелінейнасць. Функцыі нелінейнай актывацыі маюць вырашальнае значэнне для таго, каб CNN маглі вывучаць складаныя адносіны і заканамернасці ў дадзеных. Слаі аб'яднання, такія як максімальнае аб'яднанне або сярэдняе аб'яднанне, звычайна прымяняюцца для памяншэння прасторавых памераў карт аб'ектаў пры захаванні найбольш актуальнай інфармацыі. Аб'яднанне дапамагае зрабіць сетку больш устойлівай да варыяцый уваходных малюнкаў і зніжае складанасць вылічэнняў.
Пасля згортвання і аб'яднання слаёў вынятыя аб'екты зводзяць у вектар і прапускаюць праз адзін або некалькі цалкам злучаных слаёў. Гэтыя пласты служаць класіфікатарамі, навучаючыся супастаўляць вынятыя аб'екты з адпаведнымі класамі вываду. Канчатковы цалкам злучаны ўзровень звычайна выкарыстоўвае функцыю актывацыі softmax для генерацыі імавернасцей класаў для задач класіфікацыі некалькіх класаў.
Каб праілюстраваць працэс вылучэння прыкмет у CNN для распазнавання малюнкаў, разгледзім прыклад класіфікацыі малюнкаў адзення. У такім выпадку CNN навучыцца выдзяляць такія характарыстыкі, як тэкстуры, колеры і ўзоры, унікальныя для розных тыпаў прадметаў адзення, такіх як абутак, кашулі або штаны. Апрацоўваючы вялікі набор даных пазначаных малюнкаў адзення, CNN будзе перыядычна наладжваць свае фільтры і вагавыя паказчыкі, каб дакладна ідэнтыфікаваць і класіфікаваць гэтыя адметныя асаблівасці, што ў канчатковым выніку дазволіць яму рабіць прагнозы на нябачных малюнках з высокай дакладнасцю.
Вылучэнне прыкмет з'яўляецца фундаментальным кампанентам CNN для распазнання малюнкаў, што дазваляе мадэлі вучыцца і адрозніваць адпаведныя шаблоны і асаблівасці ўнутры ўваходных малюнкаў. Дзякуючы выкарыстанню згортачных слаёў, функцый актывацыі, слаёў аб'яднання і цалкам звязаных слаёў CNN могуць эфектыўна здабываць і выкарыстоўваць значныя функцыі для выканання дакладных задач класіфікацыі.
Іншыя апошнія пытанні і адказы адносна Асновы EITC/AI/TFF TensorFlow:
- Як можна выкарыстоўваць пласт убудавання для аўтаматычнага прызначэння правільных восяў для графіка прадстаўлення слоў у выглядзе вектараў?
- Якая мэта максімальнага аб'яднання ў CNN?
- Ці неабходна выкарыстоўваць функцыю асінхроннага навучання для мадэляў машыннага навучання, якія працуюць у TensorFlow.js?
- Што такое параметр максімальнай колькасці слоў TensorFlow Keras Tokenizer API?
- Ці можна выкарыстоўваць TensorFlow Keras Tokenizer API для пошуку найбольш частых слоў?
- Што такое TOCO?
- Якая ўзаемасувязь паміж колькасцю эпох у мадэлі машыннага навучання і дакладнасцю прагназавання ад запуску мадэлі?
- Ці стварае API суседніх пакетаў у Neural Structured Learning TensorFlow дапоўнены навучальны набор даных на аснове натуральных графічных даных?
- Што такое API суседніх пакетаў у нейронавым структураваным навучанні TensorFlow?
- Ці можна выкарыстоўваць Neural Structured Learning з дадзенымі, для якіх няма натуральнага графіка?
Глядзіце больш пытанняў і адказаў у EITC/AI/TFF TensorFlow Fundamentals