Mîmariya Tora Neuralî ya Convolutional (CNN) li PyTorch behsa sêwirandin û birêkûpêkkirina pêkhateyên wê yên cihêreng, wek qatên hevgirtî, qatên hevgirtinê, qatên bi tevahî girêdayî, û fonksiyonên aktîfkirinê dike. Mîmarî destnîşan dike ka torê çawa pêvajoy dike û daneyên têketinê diguhezîne da ku encamên watedar hilberîne. Di vê bersivê de, em ê ravekirinek berfireh û berfireh a mîmariya CNN-ê li PyTorch pêşkêşî bikin, li ser pêkhateyên wê yên sereke û fonksiyonên wan bisekinin.
CNN bi gelemperî ji gelek qatan pêk tê ku bi rengek rêzdar hatine rêz kirin. Qata yekem bi gelemperî qatek pevgirêdayî ye, ku li ser daneya têketinê operasyona bingehîn a tevlihevkirinê pêk tîne. Convolution bi sepandina komek fîlterên fêrbûyî (wekî kernel jî tê zanîn) li daneyên têketinê vedihewîne da ku taybetmendiyan derxîne. Her parzûnek hilberek xalî di navbera giraniya xwe û zeviyek wergir a herêmî ya têketinê de çêdike, nexşeyek taybetmendiyê çêdike. Van nexşeyên taybetmendiyê aliyên cihêreng ên daneya têketinê, wek kevî, tevnvîs, an şêwaz digirin.
Li dû qata hevedudanî, fonksiyonek aktîvkirina ne-xêzîkî ji hêla hêmanan ve li nexşeyên taybetmendiyê tê sepandin. Ev yek ne-xêzbûnê dixe nav torê, dihêle ku ew têkiliyên tevlihev di navbera ketin û derketinê de fêr bibe. Fonksiyonên aktîfkirina hevpar ên ku di CNN-an de têne bikar anîn ReLU (Yekîneya Rêzeya Rastkirî), sigmoid, û tanh hene. ReLU ji ber sadebûn û bandorkeriya xwe di kêmkirina pirsgirêka gradientê ya windabûnê de bi berfirehî tê bikar anîn.
Piştî fonksiyona aktîvkirinê, pir caran qatek hevgirtinê tê bikar anîn da ku pîvanên cîhê yên nexşeyên taybetmendiyê kêm bike û di heman demê de taybetmendiyên girîng biparêze. Operasyonên hevgirtinê, wek berhevkirina max an berhevkirina navîn, nexşeyên taybetmendiyê li herêmên ne-lihevkirî dabeş dikin û nirxan di nav her deverê de berhev dikin. Vê operasyona dakêşanê tevliheviya hesabkerî ya torê kêm dike û wê ji guherbarên têketinê re bihêztir dike.
Tebeqeyên hevgirtî, aktîvkirin û berhevkirinê bi gelemperî gelek caran têne dubare kirin da ku ji daneyên têketinê taybetmendiyên berbiçav û astek bilind derxînin. Ev bi zêdekirina hejmara parzûnan di her qatek konvolutional de an bi berhevkirina çend tebeqeyên konvoyî bi hev re tê bidestxistin. Kûrahiya torê dihêle ku ew fêrî nûneratiyên hiyerarşîk ên têketinê bibe, hem taybetmendiyên nizm û hem jî asta bilind bigire.
Dema ku pêvajoya derxistina taybetmendiyê qediya, hilber di vektorek 1D de tê hilanîn û di nav yek an çend qatên bi tevahî ve girêdayî re derbas dibe. Van qatan her noyronek di qatek din de bi her noyronek di qata din ve girêdide, rê dide ku têkiliyên tevlihev werin fêr kirin. Qatên bi tevahî ve girêdayî bi gelemperî di qatên paşîn ên torê de têne bikar anîn da ku taybetmendiyên fêrbûyî bi derana xwestinê re nexşînin, wek îhtîmalên pola di karên dabeşkirina wêneyê de.
Ji bo baştirkirina performans û giştîkirina torê, dikarin teknîkên cihêreng werin sepandin. Teknolojiyên birêkûpêkkirinê, yên wekî devjêberdan an normalîzekirina komê, dikarin werin bikar anîn da ku pêşî li zêdebûnê bigirin û şiyana torê ya giştîkirina daneyên nedîtî baştir bikin. Dropout di dema perwerdehiyê de bi korfelaqî perçeyek ji neuronan sifir dike, bi zorê torgilokê fêrî nûneratiyên zêde dike. Normalîzasyona Batchê têketinên her qatê normalîze dike, guheztina hevrêziya navxweyî kêm dike û pêvajoya perwerdehiyê bilez dike.
Mîmariya CNN-ê li PyTorch birêkûpêk û sêwirana pêkhateyên wê, di nav de qatên hevgirtî, fonksiyonên aktîfkirinê, qatên hevgirtinê, û qatên bi tevahî girêdayî vedihewîne. Van hêmanan bi hev re dixebitin ku taybetmendiyên watedar ji daneyên têketinê derxînin û fêr bibin, rê dide ku torê pêşbîniyên an dabeşkirina rast bike. Bi baldarî sêwirana mîmariyê û tevlêkirina teknîkên wekî rêkûpêkkirin, performans û gelemperîkirina torê dikare were çêtir kirin.
Pirs û bersivên din ên vê dawiyê di derbarê Torgiloka neural a konvolution (CNN):
- Tora neuralî ya herî mezin a konvolutional ku hatî çêkirin çi ye?
- Kanalên derketinê çi ne?
- Wateya hejmara Kanalên têketinê (Parametra 1emîn a nn.Conv2d) çi ye?
- Hin teknîkên hevpar ên ji bo baştirkirina performansa CNN-ê di dema perwerdehiyê de çi ne?
- Di perwerdehiya CNN de girîngiya mezinahiya komê çi ye? Ew çawa bandorê li pêvajoya perwerdehiyê dike?
- Çima girîng e ku daneyan li komên perwerdehî û pejirandinê veqetînin? Çiqas dane bi gelemperî ji bo pejirandinê têne veqetandin?
- Em çawa daneyên perwerdehiyê ji bo CNN amade dikin? Pêngavên tê de rave bikin.
- Armanca optimîzator û fonksiyona windakirinê di perwerdekirina tora neuralî ya pevgirêdayî (CNN) de çi ye?
- Çima girîng e ku meriv di qonaxên cihêreng de di dema perwerdekirina CNN de şeklê daneya têketinê bişopîne?
- Ma qatên konvolutional ji bilî wêneyan ji bo daneyan têne bikar anîn? Mînakekê bidin.
Di tora neuralî ya Convolution (CNN) de bêtir pirs û bersivan bibînin