Kaip telkimas padeda sumažinti objektų žemėlapių matmenis?

/ / paskelbta Dirbtinis intelektas, Gilus EITC/AI/DLPTFK mokymasis naudojant „Python“, „TensorFlow“ ir „Keras“, Konvoliuciniai neuroniniai tinklai (CNN), Įvadas į konvoliucinius neuroninius tinklus (CNN), Egzamino peržiūra

Sujungimas yra metodas, dažniausiai naudojamas konvoliuciniuose neuroniniuose tinkluose (CNN), siekiant sumažinti funkcijų žemėlapių matmenis. Jis atlieka svarbų vaidmenį ištraukiant svarbias funkcijas iš įvesties duomenų ir gerinant tinklo efektyvumą. Šiame paaiškinime apžvelgsime išsamią informaciją apie tai, kaip telkimas padeda sumažinti funkcijų žemėlapių matmenis dirbtinio intelekto kontekste, ypač gilaus mokymosi naudojant Python, TensorFlow ir Keras.

Norėdami suprasti telkimo sąvoką, pirmiausia aptarkime konvoliucinių sluoksnių vaidmenį CNN. Konvoliuciniai sluoksniai taiko filtrus įvesties duomenims, todėl išgaunamos įvairios funkcijos. Šios funkcijos, taip pat žinomos kaip funkcijų žemėlapiai arba aktyvinimo žemėlapiai, atspindi skirtingus įvesties duomenų modelius. Tačiau šie funkcijų žemėlapiai gali būti didelio dydžio, juose gali būti daug informacijos, kuri gali būti ne visa svarbi tolesniems tinklo sluoksniams. Čia atsiranda telkimas.

Sujungimas yra metodas, kuris sumažina objektų žemėlapių matmenis sumažinant juos. Tai pasiekiama padalijant įvesties funkcijų žemėlapį į nesutampančių regionų rinkinį, vadinamą telkimo regionais arba telkimo langais. Dažniausiai naudojama telkimo operacija yra maksimalus telkimas, kai didžiausia vertė kiekviename telkimo regione pasirenkama kaip tipinė to regiono vertė. Kitos telkimo operacijos, pvz., vidutinis telkimas, egzistuoja, tačiau naudojamos rečiau.

Sujungimo procesas padeda sumažinti objektų žemėlapių matmenis keliais būdais. Pirma, tai sumažina objektų žemėlapių erdvinį dydį, todėl įvesties duomenys yra mažesni. Šis dydžio sumažinimas yra naudingas, nes padeda sumažinti tinklo skaičiavimo sudėtingumą, todėl jį treniruoti ir vertinti efektyviau. Be to, kaupimas padeda iš įvesties duomenų išskirti svarbiausias funkcijas, nes kiekviename telkimo regione išlaikomos maksimalios vertės. Pasirinkus didžiausią vertę, telkimo operacija užtikrina, kad svarbiausios savybės išsaugomos, o ne tokia svarbi informacija.

Be to, sujungimas padeda pasiekti vertimo nekintamumą, pageidautiną savybę atliekant daugelį kompiuterinio matymo užduočių. Vertimo invariantiškumas reiškia modelio gebėjimą atpažinti šablonus, nepaisant jų padėties įvesties duomenyse. Sujungimas padeda tai pasiekti sumažinant funkcijų žemėlapių atranką, todėl jie tampa mažiau jautrūs nedideliems vertimams ar įvesties duomenų poslinkiams. Pavyzdžiui, jei tam tikra funkcija yra tam tikrame įvesties vaizdo regione, maksimalus telkimas pasirinks didžiausią reikšmę tame regione, neatsižvelgiant į jo tikslią vietą. Ši savybė leidžia modeliui sutelkti dėmesį į funkcijų buvimą, o ne į tikslią jų vietą, todėl jis yra labiau atsparus įvesties duomenų svyravimams.

Norėdami iliustruoti telkimo poveikį objektų žemėlapių matmenų mažinimui, apsvarstykite pavyzdį. Tarkime, kad turime 32x32x3 dydžio įvesties vaizdą (plotis, aukštis ir kanalų skaičius). Pritaikę konvoliucinius sluoksnius, gauname 28x28x64 dydžio objektų žemėlapį. Taikant maksimalų telkimą su 2 × 2 dydžio telkimo langeliu ir 2 žingsniu, gautas objektų žemėlapis būtų 14 × 14 × 64 dydžio. Kaip matome, erdviniai matmenys sumažėja perpus, išlaikant tą patį kanalų skaičių.

Sujungimas yra svarbi CNN technika, padedanti sumažinti objektų žemėlapių matmenis. Tai pasiekiama sumažinus funkcijų žemėlapių atranką, todėl įvesties duomenys pateikiami mažiau. Sujungimas padeda išgauti svarbiausias savybes, pagerinti skaičiavimo efektyvumą ir pasiekti vertimo nepastovumą. Pasirinkus maksimalią vertę kiekviename telkimo regione, išsaugomos svarbiausios savybės, o ne tokia svarbi informacija.

Kiti naujausi klausimai ir atsakymai apie Konvoliuciniai neuroniniai tinklai (CNN):

Daugiau klausimų ir atsakymų:

Tagged pagal: , , , , ,