ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (CNN) என்பது ஒரு வகையான ஆழமான கற்றல் மாதிரியாகும், இது படத்தை அடையாளம் காணும் பணிகளில் பரவலாகப் பயன்படுத்தப்படுகிறது. இது குறிப்பாக காட்சி தரவை திறம்பட செயலாக்க மற்றும் பகுப்பாய்வு செய்ய வடிவமைக்கப்பட்டுள்ளது, இது கணினி பார்வை பயன்பாடுகளில் ஒரு சக்திவாய்ந்த கருவியாக அமைகிறது. இந்த பதிலில், CNN இன் முக்கிய கூறுகள் மற்றும் படத்தை அடையாளம் காணும் பணிகளில் அவற்றின் பங்கு பற்றி விவாதிப்போம்.
1. கன்வல்யூஷனல் லேயர்ஸ்: கன்வல்யூஷனல் லேயர்ஸ் என்பது CNN இன் கட்டுமானத் தொகுதிகள். அவை அம்ச வரைபடங்களை உருவாக்க உள்ளீட்டு படத்துடன் இணைக்கப்பட்ட கற்றல் வடிப்பான்கள் அல்லது கர்னல்களின் தொகுப்பைக் கொண்டிருக்கும். ஒவ்வொரு வடிப்பானும் படத்தில் விளிம்புகள், மூலைகள் அல்லது இழைமங்கள் போன்ற ஒரு குறிப்பிட்ட வடிவத்தை அல்லது அம்சத்தைக் கண்டறியும். கன்வல்யூஷன் செயல்பாட்டில் வடிப்பானை படத்தின் மேல் சறுக்கி, வடிகட்டி எடைகள் மற்றும் அதனுடன் தொடர்புடைய பட இணைப்புக்கு இடையில் புள்ளி தயாரிப்பைக் கணக்கிடுவது ஆகியவை அடங்கும். படத்தில் உள்ள ஒவ்வொரு இடத்திற்கும் இந்த செயல்முறை மீண்டும் மீண்டும் செய்யப்படுகிறது, வெவ்வேறு அம்சங்களின் இருப்பை முன்னிலைப்படுத்தும் அம்ச வரைபடத்தை உருவாக்குகிறது.
எடுத்துக்காட்டு: கிடைமட்ட விளிம்புகளைக் கண்டறியும் 3×3 வடிப்பானைக் கருத்தில் கொள்வோம். உள்ளீட்டுப் படத்துடன் இணைக்கப்படும் போது, அது படத்தில் உள்ள கிடைமட்ட விளிம்புகளை வலியுறுத்தும் அம்ச வரைபடத்தை உருவாக்கும்.
2. பூலிங் லேயர்கள்: பூலிங் லேயர்கள், கன்வல்யூஷனல் லேயர்களால் உருவாக்கப்பட்ட அம்ச வரைபடங்களை குறைக்க பயன்படுத்தப்படுகின்றன. அவை மிக முக்கியமான தகவலைத் தக்கவைத்துக்கொள்ளும் போது அம்ச வரைபடங்களின் இடப் பரிமாணங்களைக் குறைக்கின்றன. மிகவும் பொதுவாக பயன்படுத்தப்படும் பூலிங் செயல்பாடு அதிகபட்ச பூலிங் ஆகும், இது ஒரு பூலிங் சாளரத்தில் அதிகபட்ச மதிப்பைத் தேர்ந்தெடுக்கிறது. இது பிணையத்தின் கணக்கீட்டு சிக்கலைக் குறைக்க உதவுகிறது மற்றும் உள்ளீட்டுப் படத்தில் சிறிய இடஞ்சார்ந்த மாறுபாடுகளுக்கு மேலும் வலுவூட்டுகிறது.
எடுத்துக்காட்டு: ஒரு அம்ச வரைபடத்தில் 2×2 பூலிங் சாளரத்துடன் அதிகபட்ச பூலிங்கைப் பயன்படுத்துவது, ஒன்றுடன் ஒன்று அல்லாத ஒவ்வொரு 2×2 பிராந்தியத்திலும் அதிகபட்ச மதிப்பைத் தேர்ந்தெடுக்கும், இது இடஞ்சார்ந்த பரிமாணங்களை பாதியாகக் குறைக்கும்.
3. செயல்படுத்தும் செயல்பாடுகள்: செயல்படுத்தும் செயல்பாடுகள் CNN இல் நேரியல் அல்லாத தன்மையை அறிமுகப்படுத்துகிறது, இது சிக்கலான வடிவங்களைக் கற்றுக் கொள்ளவும், கணிப்புகளைச் செய்யவும் அனுமதிக்கிறது. CNN களில் பொதுவாகப் பயன்படுத்தப்படும் செயல்படுத்தும் செயல்பாடு, Rectified Linear Unit (ReLU) ஆகும், இது வெளியீட்டை அதிகபட்ச பூஜ்ஜியம் மற்றும் உள்ளீட்டாகக் கணக்கிடுகிறது. ReLU அதன் எளிமை மற்றும் மறைந்து வரும் சாய்வு சிக்கலைத் தணிக்கும் திறன் காரணமாக விரும்பப்படுகிறது.
எடுத்துக்காட்டு: நியூரானின் வெளியீடு எதிர்மறையாக இருந்தால், ReLU அதை பூஜ்ஜியமாக அமைத்து, நியூரானை திறம்பட முடக்குகிறது. வெளியீடு நேர்மறையாக இருந்தால், ReLU அதை மாற்றாமல் வைத்திருக்கும்.
4. முழுமையாக இணைக்கப்பட்ட அடுக்குகள்: பிரித்தெடுக்கப்பட்ட அம்சங்களின் அடிப்படையில் இறுதிக் கணிப்புகளைச் செய்வதற்கு முழுமையாக இணைக்கப்பட்ட அடுக்குகள் பொறுப்பாகும். அவை முந்தைய அடுக்குகளிலிருந்து தட்டையான அம்ச வரைபடங்களை எடுத்து முழுமையாக இணைக்கப்பட்ட நியூரான்களின் வரிசையின் வழியாக அனுப்புகின்றன. முழுமையாக இணைக்கப்பட்ட அடுக்கில் உள்ள ஒவ்வொரு நியூரானும் முந்தைய அடுக்கில் உள்ள ஒவ்வொரு நியூரானுடனும் இணைக்கப்பட்டுள்ளது, இது அம்சங்களுக்கிடையேயான சிக்கலான உறவுகளைக் கற்றுக் கொள்ளவும் துல்லியமான கணிப்புகளைச் செய்யவும் அனுமதிக்கிறது.
எடுத்துக்காட்டு: ஒரு படத்தை அடையாளம் காணும் பணியில், முழுமையாக இணைக்கப்பட்ட அடுக்கு "பூனை," "நாய்," மற்றும் "கார்" போன்ற வெவ்வேறு வகுப்புகளுடன் தொடர்புடைய நியூரான்களைக் கொண்டிருக்கலாம். முழுமையாக இணைக்கப்பட்ட அடுக்கின் வெளியீடு ஒவ்வொரு வகுப்பிற்கும் சொந்தமான உள்ளீட்டு படத்தின் நிகழ்தகவுகளாக விளக்கப்படலாம்.
5. இழப்பு செயல்பாடு: இழப்பு செயல்பாடு கணிக்கப்பட்ட வெளியீடுகளுக்கும் நில உண்மை லேபிள்களுக்கும் இடையே உள்ள வேறுபாட்டை அளவிடுகிறது. இது CNN கையில் இருக்கும் பணியில் எவ்வளவு சிறப்பாக செயல்படுகிறது என்பதைக் கணக்கிடுகிறது மற்றும் பயிற்சியின் போது மாதிரியின் அளவுருக்களை மேம்படுத்துவதற்கான சமிக்ஞையை வழங்குகிறது. இழப்புச் செயல்பாட்டின் தேர்வு, பைனரி வகைப்பாட்டிற்கான பைனரி கிராஸ்-என்ட்ரோபி அல்லது பல-வகுப்பு வகைப்பாட்டிற்கான திட்டவட்டமான குறுக்கு-என்ட்ரோபி போன்ற குறிப்பிட்ட பட அங்கீகாரப் பணியைப் பொறுத்தது.
எடுத்துக்காட்டு: பைனரி வகைப்பாடு பணியில், பைனரி கிராஸ்-என்ட்ரோபி இழப்பு நேர்மறை வகுப்பின் கணிக்கப்பட்ட நிகழ்தகவை உண்மையான லேபிளுடன் (0 அல்லது 1) ஒப்பிடுகிறது மற்றும் அவற்றுக்கிடையேயான பெரிய முரண்பாடுகளை அபராதம் விதிக்கிறது.
ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (CNN) கன்வல்யூஷனல் லேயர்கள், பூலிங் லேயர்கள், செயல்படுத்தும் செயல்பாடுகள், முழுமையாக இணைக்கப்பட்ட அடுக்குகள் மற்றும் இழப்பு செயல்பாடு ஆகியவற்றைக் கொண்டுள்ளது. உருமாற்ற அடுக்குகள் உள்ளீட்டுப் படத்திலிருந்து அர்த்தமுள்ள அம்சங்களைப் பிரித்தெடுக்கின்றன, அதே சமயம் பூலிங் லேயர்கள் அம்ச வரைபடங்களை குறைக்கின்றன. செயல்படுத்தும் செயல்பாடுகள் நேரியல் அல்லாத தன்மையை அறிமுகப்படுத்துகின்றன, மேலும் முழுமையாக இணைக்கப்பட்ட அடுக்குகள் இறுதிக் கணிப்புகளைச் செய்கின்றன. இழப்பு செயல்பாடு கணிக்கப்பட்ட வெளியீடுகள் மற்றும் அடிப்படை உண்மை லேபிள்களுக்கு இடையே உள்ள முரண்பாட்டை அளவிடுகிறது, இது பயிற்சி செயல்முறைக்கு வழிகாட்டுகிறது.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் டென்சர்ஃப்ளோவில் மாற்றக்கூடிய நரம்பியல் நெட்வொர்க்குகள்:
- டென்சர்ஃப்ளோவைப் பயன்படுத்தி சிஎன்என் எவ்வாறு பயிற்சியளிக்கப்பட்டு மேம்படுத்தப்படலாம், மேலும் அதன் செயல்திறனை மதிப்பிடுவதற்கான சில பொதுவான மதிப்பீட்டு அளவீடுகள் யாவை?
- CNN இல் முழுமையாக இணைக்கப்பட்ட அடுக்குகளின் பங்கு என்ன மற்றும் அவை டென்சர்ஃப்ளோவில் எவ்வாறு செயல்படுத்தப்படுகின்றன?
- CNN இல் கன்வல்யூஷனல் லேயர்கள் மற்றும் பூலிங் லேயர்களின் நோக்கம் மற்றும் செயல்பாட்டை விளக்கவும்.
- பட வகைப்பாட்டிற்காக CNN ஐ செயல்படுத்த TensorFlow எவ்வாறு பயன்படுத்தப்படுகிறது?
- படங்களின் சிக்கலான வடிவங்களைக் கற்றுக்கொள்வதற்கும் அடையாளம் காண்பதற்கும் சிஎன்என்களில் வளைவுகள் மற்றும் பூலிங் எவ்வாறு இணைக்கப்படுகின்றன?
- மறைக்கப்பட்ட அடுக்குகளின் பங்கு மற்றும் முழுமையாக இணைக்கப்பட்ட அடுக்கு உட்பட CNN இன் கட்டமைப்பை விவரிக்கவும்.
- CNN இல் உள்ள அம்ச வரைபடங்களை பூலிங் எவ்வாறு எளிதாக்குகிறது, மேலும் அதிகபட்சமாக பூலிங்கின் நோக்கம் என்ன?
- CNN இல் வளைவுகளின் செயல்முறையை விளக்குங்கள் மற்றும் அவை ஒரு படத்தில் உள்ள வடிவங்கள் அல்லது அம்சங்களை எவ்வாறு அடையாளம் காண உதவுகின்றன.
- ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கின் (CNN) முக்கிய கூறுகள் யாவை மற்றும் அவை பட அங்கீகாரத்திற்கு எவ்வாறு பங்களிக்கின்றன?
மேலும் கேள்விகள் மற்றும் பதில்கள்:
- களம்: செயற்கை நுண்ணறிவு
- திட்டம்: EITC/AI/DLTF டென்சர்ஃப்ளோவுடன் ஆழமான கற்றல் (சான்றிதழ் திட்டத்திற்குச் செல்லவும்)
- பாடம்: டென்சர்ஃப்ளோவில் மாற்றக்கூடிய நரம்பியல் நெட்வொர்க்குகள் (தொடர்புடைய பாடத்திற்குச் செல்லவும்)
- தலைப்பு: டென்சர்ஃப்ளோவுடன் இணக்கமான நரம்பியல் நெட்வொர்க்குகள் (தொடர்புடைய தலைப்புக்குச் செல்லவும்)
- தேர்வு ஆய்வு