Kā apvienošana palīdz samazināt objektu karšu izmērus?

/ / Publicēta Mākslīgais intelekts, EITC/AI/DLPTFK padziļināta mācīšanās ar Python, TensorFlow un Keras, Konvolucionālie neironu tīkli (CNN), Ievads konvolucionālajos neironu tīklos (CNN), Eksāmenu apskats

Apvienošana ir paņēmiens, ko parasti izmanto konvolucionālajos neironu tīklos (CNN), lai samazinātu iezīmju karšu dimensiju. Tam ir svarīga loma svarīgu funkciju iegūšanā no ievades datiem un tīkla efektivitātes uzlabošanā. Šajā skaidrojumā mēs apskatīsim sīkāku informāciju par to, kā apvienošana palīdz samazināt iezīmju karšu dimensiju mākslīgā intelekta kontekstā, jo īpaši padziļināto mācīšanos ar Python, TensorFlow un Keras.

Lai saprastu apvienošanas jēdzienu, vispirms apspriedīsim konvolucionālo slāņu lomu CNN. Konvolucionālie slāņi ievades datiem izmanto filtrus, kā rezultātā tiek iegūtas dažādas funkcijas. Šīs funkcijas, kas pazīstamas arī kā objektu kartes vai aktivizācijas kartes, atspoguļo dažādus ievades datos esošos modeļus. Tomēr šīs objektu kartes var būt liela izmēra, un tajās var būt daudz informācijas, kas var nebūt svarīga nākamajiem tīkla slāņiem. Šeit tiek izmantota apvienošana.

Apvienošana ir paņēmiens, kas samazina objektu karšu izmērus, samazinot to iztveršanu. Tas tiek panākts, sadalot ievades līdzekļu karti nepārklājošu reģionu kopā, ko sauc par apvienošanas reģioniem vai apvienošanas logiem. Visbiežāk izmantotā apvienošanas darbība ir maksimālā apvienošana, kur maksimālā vērtība katrā apvienošanas reģionā tiek atlasīta kā šī reģiona reprezentatīvā vērtība. Citas pūlēšanas darbības, piemēram, vidējā pūlošana, pastāv, taču tās tiek izmantotas retāk.

Apvienošanas process palīdz samazināt objektu karšu izmērus vairākos veidos. Pirmkārt, tas samazina objektu karšu telpisko izmēru, kā rezultātā tiek iegūti mazāki ievades dati. Šis lieluma samazinājums ir izdevīgs, jo tas palīdz samazināt tīkla skaitļošanas sarežģītību, padarot to efektīvāku apmācību un novērtēšanu. Turklāt apvienošana palīdz iegūt visievērojamākos līdzekļus no ievades datiem, saglabājot maksimālās vērtības katrā apkopošanas reģionā. Izvēloties maksimālo vērtību, apvienošanas darbība nodrošina, ka tiek saglabātas vissvarīgākās funkcijas, vienlaikus izmetot mazāk būtisku informāciju.

Turklāt apvienošana palīdz sasniegt tulkošanas nemainīgumu, kas ir vēlama īpašība daudzos datorredzes uzdevumos. Tulkošanas invariance attiecas uz modeļa spēju atpazīt modeļus neatkarīgi no to atrašanās vietas ievades datos. Apvienošana palīdz to sasniegt, samazinot funkciju karšu izlasi, padarot tās mazāk jutīgas pret nelieliem tulkojumiem vai ievades datu izmaiņām. Piemēram, ja konkrēta funkcija atrodas noteiktā ievades attēla reģionā, maksimālā apvienošana izvēlēsies maksimālo vērtību šajā reģionā neatkarīgi no tā precīzās atrašanās vietas. Šis īpašums ļauj modelim koncentrēties uz funkciju klātbūtni, nevis uz to precīzu atrašanās vietu, padarot to noturīgāku pret ievades datu izmaiņām.

Lai ilustrētu apvienošanas ietekmi uz objektu karšu izmēru samazināšanu, apsveriet piemēru. Pieņemsim, ka mums ir ievades attēls, kura izmērs ir 32x32x3 (platums, augstums un kanālu skaits). Pēc konvolucionālo slāņu uzklāšanas iegūstam objektu karti ar izmēru 28x28x64. Lietojot maksimālo apvienošanu ar apvienošanas logu, kura izmērs ir 2 × 2 un soli 2, iegūtās objektu kartes izmērs būtu 14 x 14 x 64. Kā mēs varam novērot, telpiskie izmēri tiek samazināti uz pusi, vienlaikus saglabājot tādu pašu kanālu skaitu.

Apvienošana ir svarīgs paņēmiens CNN, kas palīdz samazināt objektu karšu izmērus. Tas tiek panākts, samazinot objektu karšu paraugus, kā rezultātā tiek iegūti mazāki ievades dati. Apvienošana palīdz iegūt ievērojamas funkcijas, uzlabot skaitļošanas efektivitāti un panākt tulkošanas nemainīgumu. Atlasot maksimālo vērtību katrā apkopošanas reģionā, nozīmīgākās funkcijas tiek saglabātas, vienlaikus atmetot mazāk būtisku informāciju.

Citi jaunākie jautājumi un atbildes par Konvolucionālie neironu tīkli (CNN):

Vairāk jautājumu un atbilžu:

Tagged saskaņā ar: , , , , ,