Глубокое обучение меняет парадигму традиционного машинного обучения. Узнайте, как работают сверточные нейронные сети.

Машинное обучение - это разновидность искусственного интеллекта. Машинное обучение также является разновидностью науки о данных. Точнее, машинное обучение - это пересечение искусственного интеллекта и науки о данных. Глубокое обучение - это разновидность машинного обучения. Согласно упомянутому термину, глубокое обучение изучает наборы данных на более высоком уровне, чем традиционные алгоритмы машинного обучения.

В глубоком обучении нейронные сети были вдохновлены естественными нейронными сетями человеческого тела, которые напоминают применение нейронов в естественных системах. В глубоком обучении существуют разные типы нейронных сетей.

  • Искусственные нейронные сети (ИНС)
  • Сверточные нейронные сети (CNN)
  • Рекуррентные нейронные сети (RNN)

В этой статье мы обсудим сверточные нейронные сети (CNN). CNN более популярен среди всех типов нейронных сетей. Они широко используются в проектах по обработке изображений и видео.

Сверточные нейронные сети (CNN) или глубокие нейронные сети относятся к сети, в которой используется математическая операция, называемая сверткой. В математике свертка изучается в рамках функционального анализа. Свертка - это математическая операция над двумя функциями, чтобы произвести третью функцию, чтобы выразить, как форма одной изменяется другой.

CNN состоит из одного входного слоя, одного выходного слоя и нескольких скрытых слоев. Между входным и выходным слоями последовательно располагаются несколько скрытых слоев. CNN принимает входное изображение, проходит через несколько скрытых слоев для фильтрации различных аспектов изображения и адаптирует изображение к одной из предварительно классифицированных категорий.

Несколько скрытых слоев CNN состоят из сверточных слоев, которые сворачиваются с умножением или другим скалярным произведением. Функция активации обычно представляет собой уровень RELU. За слоем RELU следуют дополнительные свертки. Архитектура CNN состоит из различных типов слоев.

  • Сверточный слой
  • Слой RELU (выпрямленный линейный блок)
  • Уровень объединения
  • Полностью связанный слой
  • Слой потерь

Сверточный слой является основным строительным блоком сверточных нейронных сетей. Его параметры состоят из обучаемых фильтров. RELU применяет функцию активации ненасыщения. Операция объединения обеспечивает другую форму инвариантности трансляции. Полностью связанные уровни делают рассуждения высокого уровня в CNN. Слой потерь - это последний слой CNN. Он выполняет различные функции потерь и оценивает различия между предсказанными и истинными метками.

Сверточные нейронные сети (CNN) используются в различных технологиях. Некоторые приложения CNN:

  • Распознавание изображений и видео
  • Рекомендательные системы
  • Обработка естественного языка
  • Классификация изображений
  • Финансовый временной ряд
  • Видеоанализ
  • Прогнозирование временных рядов
  • Анализ медицинских изображений
  • Открытие лекарств
  • Оценка риска для здоровья

Сверточные нейронные сети применяются как к структурированным, так и к неструктурированным данным. CNN в основном адаптирован для более высокой производительности на чрезвычайно больших наборах данных.