iT邦幫忙

2023 iThome 鐵人賽

DAY 14
0
AI & Data

嘗試在AI世界闖蕩系列 第 14

Day 14 深度學習與主要神經網路-4(深度學習-CNN)

  • 分享至 

  • xImage
  •  

主要的深度學習模式

深度學習的主要神經網路模型:
https://ithelp.ithome.com.tw/upload/images/20230924/20163102XP8RJvp5se.jpg

卷積神經網路CNN

卷積神經網路Convolutional Neural Network,簡稱CNN:一種利用卷積Convolution技術提取影像的特徵與池化Pooling技術壓縮降低特徵維度的一種DL神經網路。

  • Yann Lecun 1998年開發7層LeNet所提出的
  • 主要組成:輸入層Input Layer、卷積層Convolution Layer、池化層Pooling Layer、全連接層Fully Connected Layer、輸出層Output Layer五轉網路架構
  • 背景:因為傳統DL有下列問題,
    ①運算效率問題:一個1000x1000等於100萬像素的照片,如其隱藏層是1000個節點,有10層,則有100一個連結,需要很大的運算力,訓練起來也很耗時。
    ②圖像特徵提取Feature Extraction問題:傳統FC只用一維的像素當作輸入,來單獨處理向速與下一層節點的關係。
    ③影像處理的三大特性問題:
  1. 局域性Locality問題(傳統FC很沒有效率架構要計算每個像素與圖像內每個像素的關係)
    2.平移性Translatability問題(特徵值不同以為是不同物件,辨識起來形成很大不便)
    3.縮放性Scaling問題(傳統FC物件等比例放大會影響其內容)

CNN模型特色與優點:
https://ithelp.ithome.com.tw/upload/images/20230924/20163102LMwEVfclBk.jpg


CNN架構特色與運算

  1. 濾鏡的利用與訓練
  • 濾鏡運用:CNN主要精神是利用二維各種濾鏡去掃描圖像內的物件,去偵測其是否存在某些特定的特徵,不同濾鏡具備不同特徵,特徵吻合度越高,則物件是此類別概率就越高。
  • 濾鏡訓練:濾鏡是由機器掃描過數十萬張人臉相片後,其自行經由不斷試探,歸納出能辨識別人臉各種層次不同之濾鏡,經由DL特有BP與GD,幾萬次不斷糾正錯誤,持續調整內部參數,CNN就漸漸能設計出辨識人臉的各種濾鏡。
  • 濾鏡運作、卷積演算:卷積演算是兩個矩陣內積和Dot Product,發現與濾鏡有相同特徵區塊時,其卷積輸出的數值會很大,如果沒對應到相同特徵,則相反➜CNN以不同卷積濾鏡(卷積核Convolution Kernal)作為網路核心架構。
  • 卷積層Convolution Layer:利用卷積核來擷取特徵的這一層神經網路。
  1. 特徵圖
  • 特徵圖繪當成下一層輸入,不斷遞迭而上,越來越複雜卷積濾鏡,會來尋找更複雜、高層特徵。
  1. 池化層Pooling Layer
  • 池化:一種演算法是CNN透過降維Dimension Reduction將卷積後特徵圖進行壓縮,用更抽象特徵來代表原特徵,以此簡化後續運算的複雜度。
  • 最大化Max Pooling:擷取原矩陣中最大值來取代原矩陣。
    https://ithelp.ithome.com.tw/upload/images/20230924/2016310250ZnAtQjRu.png
    資料來源:https://www.geeksforgeeks.org/cnn-introduction-to-pooling-layer/
  • 平均值Average Pooling
    https://ithelp.ithome.com.tw/upload/images/20230929/20163102qn1hhrO7hS.png
    資料來源:https://www.geeksforgeeks.org/cnn-introduction-to-pooling-layer/
  1. 全連接層Fully Connected Layer
  • 經過卷積與池化後,最後為了要進行分類,要將最終特徵圖攤平成傳統一維全連接網路➜全連接層
  • 例子:十種物件的分類就會輸出十種不同預測概率

參考來源:人工智慧:概念應用與管理 林東清


上一篇
Day 13 深度學習與主要的神經網路-3(深度學習)
下一篇
Day 15 深度學習與主要的神經網路-5(CNN)
系列文
嘗試在AI世界闖蕩31
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言