Tora neuralî ya hevgirtî (CNN) çînek modelên fêrbûna kûr in ku bi berfirehî ji bo karên naskirina wêneyê têne bikar anîn. Pêvajoya tevlihevkirinê di CNN-ê de di destnîşankirina nimûne an taybetmendiyên di wêneyek de rolek girîng dilîze. Di vê ravekirinê de, em ê li hûrguliyên ka çawa tevlihevî têne kirin û girîngiya wan di analîza wêneyê de hûr bibin.
Di bingeha CNN-ê de, tevlihevî operasyonên matematîkî ne ku matrixek piçûk, jê re parzûnek an kernel tê gotin, li ser wêneyek têketinê têne sepandin. Parzûn bi gelemperî matrixek çargoşe ye ku pîvanên wê ji wêneya têketinê pir piçûktir e. Operasyona tevlihevkirinê tê de xistina vê parzûnê li seranserê wêneyê, hesabkirina hilberên xalê di navbera parzûn û jêr-herêmên têkildar ên wêneyê de ye.
Operasyona tevlihevkirinê bi hilgirtina hilbera hêman-aqilmend a parzûnê û jêr-herêma wêneya ku ew niha li ser e, û berhevkirina encaman pêk tê. Ev pêvajo ji bo her jêr-herêma wêneyê tê dubare kirin, matrixek nû ya bi navê nexşeya taybetmendiyê çêdike. Nexşeya taybetmendiyê çalakkirin an bersivên fîlterê li cîhên cihêreng di wêneya têketinê de destnîşan dike.
Bi karanîna fîlterên cihêreng, CNN dikarin fêr bibin ku di wêneyekê de celeb an taybetmendiyên cihêreng tespît bikin. Mînakî, dibe ku parzûnek ji bo tespîtkirina keviyên horizontî were sêwirandin, dema ku parzûnek din dibe ku ji bo tespîtkirina xetên diagonal were sêwirandin. Bi pêvajoya perwerdehiyê, CNN fêr dibe ku giraniya fîlteran rast bike da ku performansa xwe li ser peywira hatî dayîn xweşbîn bike.
Di CNN-an de karanîna konvokan gelek avantajên ji bo naskirina qalib û taybetmendiyên di wêneyan de peyda dike. Pêşîn, konvokan torê dihêlin ku di wêneyê de girêdanên herêmî bigire. Bi xistina parzûnê li ser wêneyê, CNN dikare nexşeyan bêyî cihê wan bibîne. Ev taybetmendiya guhêrbariya mekanî dihêle ku CNN tiştan nas bike her çend ew di beşên cûda yên wêneyê de xuya bibin.
Ya duyemîn, konvok di kêmkirina hejmara parametreyên di torê de dibin alîkar. Li şûna ku di wêneya têketinê de her neuron bi her pîxelê ve girêbide, CNN girêdana herêmî ya pevguherînan bikar tîne. Parzûn li seranserê wêneyê têne parve kirin, û di encamê de hejmara pîvanên ku têne fêr kirin kêmbûnek girîng e. Ev taybetmendiya parvekirina parameterê CNN-ê ji hêla hesabkirinê ve bikêr dike û wan dihêle ku daneyên mezin ên wêneyan bi rê ve bibin.
Digel vê yekê, pevgirêdan nûneriyek hiyerarşîk a wêneya têketinê peyda dike. Her ku em di nav CNN-ê de kûrtir dibin, fîlter taybetmendiyên tevlihev û razber digirin. Tebeqên destpêkê dibe ku hêlên hêsan an xêzên hêsan kifş bikin, dema ku qatên kûr dikarin têgehên asta bilind ên mîna şikil an tiştan nas bikin. Ev avahiya hiyerarşîk rê dide CNN-an ku bi rengek hiyerarşîk qalibên tevlihev fêr bibin û temsîl bikin, ku rê li ber performansa çêtirkirina karên naskirina wêneyê vedike.
Tevlihevkirinên di CNN-ê de hejandina parzûnek li ser wêneyek, hilberandina xalan û çêkirina nexşeyên taybetmendiyê vedihewîne. Ew torê dihêlin ku girêdanên herêmî bigire, hejmara parametreyan kêm bike, û nûneriyek hiyerarşîk a wêneya têketinê biafirîne. Van taybetmendiyan CNN-an di naskirina qalib an taybetmendiyên di wêneyan de bi bandor dike, ku dibe sedema karanîna wan a berbelav di karên cihêreng ên dîtina komputerê de.
Pirs û bersivên din ên vê dawiyê di derbarê Bingehên tevnên neyralî yên konvolucional:
- Meriv çawa di CNN-an de tevlihev û berhevok têne hev kirin da ku di wêneyan de qalibên tevlihev fêr bibin û nas bikin?
- Struktura CNN-ê, di nav de rola qatên veşartî û qata bi tevahî ve girêdayî vebêjin.
- Hevgirtin çawa nexşeyên taybetmendiyê di CNN de hêsan dike, û armanca berhevkirina max çi ye?
- Parçeyên sereke yên torgilokek neuralî (CNN) çi ne û ew çawa beşdarî naskirina wêneyê dibin?