Tora neuralî ya hevgirtî (CNN) celebek modela fêrbûna kûr e ku bi berfirehî di karên naskirina wêneyê de hatî bikar anîn. Ew bi taybetî hatî sêwirandin ku daneyên dîtbarî bi bandor pêvajo û analîz bike, ku ew di sepanên dîtina komputerê de amûrek hêzdar dike. Di vê bersivê de, em ê hêmanên sereke yên CNN û rolên wan ên têkildar di karên naskirina wêneyê de nîqaş bikin.
1. Tebeqên hevedudanî: Tebeqên konvolutional blokên avakirina CNN-ê ne. Ew ji komek fîlter an kernelên fêrbûyî pêk tên ku bi wêneya têketinê re têkildar in da ku nexşeyên taybetmendiyê hilberînin. Her parzûnek di wêneyê de nimûneyek an taybetmendiyek taybetî, wek kevî, quncik, an tevnvîs, tespît dike. Operasyona tevhevkirinê hejandina parzûnê li ser wêneyê û hesabkirina hilbera xalê di navbera giraniya parzûnê û pelika wêneyê ya têkildar de vedihewîne. Ev pêvajo ji bo her cîhek di wêneyê de tê dubare kirin, nexşeyek taybetmendiyê çêdike ku hebûna taybetmendiyên cihêreng ronî dike.
Nimûne: Ka em parzûnek 3×3 bifikirin ku keviyên horizontî tespît dike. Dema ku bi wêneyek têketinê re têkildar be, ew ê nexşeyek taybetmendiyê çêbike ku li kêlekên horizontî yên di wêneyê de tekez dike.
2. Tebeqên Hevgirtinê: Tebeqên hevgirtinê ji bo daxistina nexşeyên taybetmendiyê yên ku ji hêla qatên hevgirtî ve hatine çêkirin têne bikar anîn. Ew di heman demê de agahdariya herî girîng diparêzin pîvanên cîhê yên nexşeyên taybetmendiyê kêm dikin. Operasyona berhevkirinê ya ku herî zêde tê bikar anîn berhevkirina max e, ku nirxa herî zêde di nav pencereyek berhevkirinê de hildibijêre. Ev ji bo kêmkirina tevliheviya hesabkerî ya torê dibe alîkar û wê ji guhertoyên piçûk ên cîhê di wêneya têketinê de bihêztir dike.
Mînak: Sepandina berhevkirina max bi pencereyek berhevkirina 2×2 re li ser nexşeyek taybetmendiyê dê nirxa herî zêde li her herêmek 2×2 ya nelihevkirî hilbijêre, bi bandor pîvanên cîhê nîvî kêm bike.
3. Fonksiyonên Çalakkirinê: Fonksiyonên aktîvkirinê ne-xêziyê dixe nav CNN-ê, dihêle ku ew fêrî şêwazên tevlihev bibe û pêşbîniyan bike. Fonksiyona aktîvkirinê ya ku di CNN-an de herî zêde tê bikar anîn Yekîneya Rêzeya Rastkirî (ReLU) ye, ku derketinê wekî herî zêde sifir û têketinê hesab dike. ReLU ji ber sadebûn û şiyana xwe ya kêmkirina pirsgirêka gradientê ya windabûnê tê tercîh kirin.
Nimûne: Heke derketina neuronek neyînî be, ReLU wê li ser sifirê saz dike, bi bandor noyron qut dike. Ger encam erênî be, ReLU wê neguhezîne.
4. Qatên Bi Tevahî Girêdayî: Tebeqên bi tevahî ve girêdayî berpirsiyar in ku pêşbîniyên dawîn li ser bingeha taybetmendiyên hatine derxistin. Ew nexşeyên taybetmendiyê yên pêçandî ji qatên berê digirin û wan di nav rêzek neuronên bi tevahî ve girêdayî re derbas dikin. Her neuron di qata bi tevahî ve girêdayî de bi her noyronek di qata berê de ve girêdayî ye, ku dihêle ew têkiliyên tevlihev di navbera taybetmendiyan de fêr bibe û pêşbîniyên rast bike.
Mînak: Di peywirek naskirina wêneyê de, qata bi tevahî ve girêdayî dibe ku xwedî noyronên ku bi çînên cihêreng re têkildar in, wek "pisîk", "kûçik" û "otomobîl." Derketina qatê bi tevahî ve girêdayî dikare wekî îhtimalên wêneya têketinê ya ku ji her polê re têkildar e were şîrove kirin.
5. Fonksiyona windabûnê: Fonksiyona windabûnê nakokiya di navbera derketinên pêşbînîkirî û etîketên rastiya erdê de dipîve. Ew jimare dike ka CNN çiqasî baş li ser peywira ku di dest de pêk tê û ji bo nûvekirina parametreyên modelê di dema perwerdehiyê de îşaretek peyda dike. Hilbijartina fonksiyona windakirinê bi peywira nasîna wêneyê ya taybetî ve girêdayî ye, wek mînak xaça-entropiya binary ji bo dabeşkirina binary an xaça-entropiya kategorîk ji bo dabeşkirina pir-çîni.
Mînak: Di peywirek dabeşkirina binar de, windabûna xaça-entropiya binar îhtîmala pêşbînîkirî ya çîna erênî bi etîketa rastîn (0 an 1) re berhev dike û nakokiyên mezin di navbera wan de ceza dike.
Tora neuralî ya pevgirêdayî (CNN) ji qatên hevgirtî, qatên hevgirtinê, fonksiyonên aktîfkirinê, qatên bi tevahî ve girêdayî, û fonksiyonek windabûnê pêk tê. Qatên hevgirtî taybetmendiyên watedar ji wêneya têketinê derdixin, dema ku qatên hevgirtinê nexşeyên taybetmendiyê dakêşînin. Fonksiyonên aktîfkirinê ne-xêzbûnê destnîşan dikin, û qatên bi tevahî ve girêdayî pêşbîniyên dawîn dikin. Fonksiyona windabûnê nakokiya di navbera encamên pêşbînîkirî û nîşaneyên rastiya erdê de dipîve, rêberiya pêvajoya perwerdehiyê dike.
Pirs û bersivên din ên vê dawiyê di derbarê Di TensorFlow de torgilokên rehikan ên konvolucional:
- Meriv çawa dikare bi karanîna TensorFlow CNN were perwerdekirin û xweşbîn kirin, û ji bo nirxandina performansa wê hin metrîkên nirxandina hevpar çi ne?
- Rola qatên bi tevahî girêdayî di CNN de çi ye û ew çawa di TensorFlow de têne bicîh kirin?
- Di CNN-ê de armanc û xebata qatên hevgirtî û qatên berhevkirinê rave bikin.
- Meriv çawa dikare TensorFlow bikar bîne da ku CNN-ê ji bo dabeşkirina wêneyê bicîh bike?
- 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?
- Pêvajoya tevlihevkirinê di CNN-ê de rave bikin û ka ew çawa dibin alîkar ku nimûne an taybetmendiyên di wêneyekê de nas bikin.
- Parçeyên sereke yên torgilokek neuralî (CNN) çi ne û ew çawa beşdarî naskirina wêneyê dibin?