Connexion
Connexion

Galerie de cartes mentales réseau neuronal convolutif

réseau neuronal convolutif

L'architecture détaillée du réseau neuronal convolutif, le goulot d'étranglement du réseau entièrement connecté, est qu'à mesure que la taille des données de l'image augmente, le réseau de couches cachées sera très compliqué, venez jeter un œil !

Modifié à 2023-07-27 22:50:42

WSrx009v

réseau neuronal convolutif

WSrx009v

Recommandé pour vous
Contour

réseau neuronal entièrement connecté
- 19
WSrx009v
Réseaux de neurones et réseaux de neurones convolutifs d'apprentissage profond
- 8
WSrx009v
mécanisme d'attention
- 4
WSrx009v
Générer un modèle
- 5
WSrx009v
Convolution, débruitage, extraction des bords
- 10
WSrx009v
Analyse de réseau classique
- 8
WSrx009v
Vision par ordinateur et apprentissage profond
- 9
WSrx009v
traitement d'images numériques de vision par ordinateur
- 7
WSrx009v
Modèles clés d’apprentissage profond
- 8
Gavinnblake
Séquence d'apprentissage des directions de détection BEV
- 8
Brooooke_00

réseau neuronal convolutif

Goulot d’étranglement du réseau entièrement connecté

À mesure que la taille des données de l’image augmente, le réseau des couches cachées deviendra très complexe.

réseau neuronal convolutif

structure des couches

couche de convolution

Noyau de convolution

Passons maintenant au groupe de noyaux de convolution

wxya

La profondeur du groupe de cartes de réponse des fonctionnalités est égale au nombre de noyaux de convolution

Différentes cartes de réponse de caractéristiques reflètent l'effet de réponse de l'image d'entrée à différents noyaux de convolution.

Les valeurs à différentes positions sur la même carte de réponse de fonctionnalité représentent les résultats de réponse de différentes positions sur l'image d'entrée au même noyau de convolution.

Taille du pas de convolution

Effectuer des opérations de convolution à des intervalles spécifiés

remplissage de bordure

effet

Gardez les tailles d’entrée et de sortie cohérentes

Le plus courant est le remplissage nul

couche d'activation

Couche de mise en commun

Effectuez chaque carte de réponse de caractéristique indépendamment, réduisez la hauteur du noyau de chaque carte dans le groupe de cartes, réduisez le nombre de paramètres des couches convolutives suivantes, augmentez le champ de réception et contrôlez ainsi le surajustement.

fonctionner

Regrouper une certaine zone de la carte de réponse des fonctionnalités signifie spécifier une valeur dans la zone pour représenter la zone entière.

Types communs

mise en commun maximale

Équivalent à une suppression sans maximisation

mise en commun moyenne

hyperparamètres

fenêtre de mutualisation

Taille du pas de pooling

Couche entièrement connectée

fonction de perte

perte d'entropie croisée

optimisation

SGD

SGD avec élan

ADAM

amélioration d'images

question

Le surajustement se produit parce qu'il y a trop peu d'échantillons d'apprentissage, ce qui entraîne l'incapacité de former un modèle pouvant se généraliser à de nouvelles données.

Générez davantage de données d'entraînement à partir d'échantillons d'entraînement existants en augmentant les échantillons avec une variété de transformations aléatoires qui produisent des images crédibles.

But

Permettre au modèle d'observer plus de contenu des données, ayant ainsi de meilleures capacités de généralisation

amélioration de l'échantillon

Mise à l'échelle et découpe aléatoires

Étape de formation : déduire aléatoirement à différentes échelles et dans différents domaines

Phase de test : Retrait selon une méthode prédéfinie

tramage des couleurs

Translation, rotation, distorsion, recadrage, etc.