Rete neurale convoluzionale per principianti
La rete neurale convoluzionale per principianti una guida completa
Fondamenti delle reti neurali convoluzionali
Ho scritto questo post come parte della mia preparazione per una delle lezioni che ho tenuto a Interview Kickstart per preparare i professionisti a trovare lavoro presso le migliori aziende tecnologiche. Se stai preparando un colloquio o semplicemente rafforzando le tue basi, questo post potrebbe esserti utile.
In questo post, esamineremo i concetti di base delle reti neurali convoluzionali. Inizieremo con l’operazione di convoluzione, per poi parlare dei layer di convoluzione e di come vengono costruite le reti convoluzionali.
Cominciamo.
Le reti neurali convoluzionali (CNN) sono composte da diversi “layer di convoluzione”. Questi layer eseguono l'”operazione di convoluzione”. La convoluzione è un’operazione fondamentale nell’elaborazione di segnali e immagini. Vediamo innanzitutto cos’è questa operazione.
- 6 Operazioni comuni relative agli indici che dovresti conoscere su Pandas
- Kafka Event Streaming AI e Automazione
- La newsletter di questa AI è tutto ciò di cui hai bisogno #69
Cos’è un’operazione di convoluzione?
La convoluzione è l’operazione matematica tra un kernel (filtro) e una mappa di caratteristiche di input.
Il kernel è di solito una piccola matrice, ad esempio 3×3 o 5×5. L’input è sempre una mappa di caratteristiche con altezza, larghezza e canali. Il funzionamento dell’operazione di convoluzione prevede che il kernel si sposti sull’input e calcoli il prodotto scalare tra il kernel e le regioni locali dell’input. Questa moltiplicazione e somma del prodotto scalare produce un singolo valore nella mappa di caratteristiche di output.
Mentre il filtro scorre su tutte le posizioni, genera una mappa di attivazione bidimensionale chiamata mappa di caratteristiche di output. Per ogni passaggio del filtro (kernel) sull’immagine o sulla mappa di caratteristiche di input, calcoliamo il prodotto scalare elemento per elemento e li sommiamo insieme. Questo dà una voce nella mappa di output:
Successivamente, spostiamo il filtro verso destra su un’altra regione locale della mappa di input e produce un’altra voce nella mappa di output:
