Retini convoluzionali – Spiegate in modo intuitivo ed esaustivo
Retini convoluzionali - Spiegate in modo chiaro e completo
Esplorare una strategia di modellizzazione fondamentale
Le reti neurali convoluzionali sono un punto di riferimento nella visione artificiale, nell’elaborazione del segnale e in un numero enorme di altre attività di apprendimento automatico. Sono piuttosto semplici e, di conseguenza, molte persone le danno per scontate senza comprenderle completamente. In questo articolo esamineremo la teoria delle reti convoluzionali, in modo intuitivo ed esaustivo, ed esploreremo le loro applicazioni in alcuni casi d’uso.
A chi è utile? A chi è interessato alla visione artificiale, all’analisi dei segnali o all’apprendimento automatico.
Quanto è avanzato questo post? Questo è un concetto molto potente, ma molto semplice; ottimo per i principianti. Potrebbe anche essere un buon ripasso per i data scientist esperti, in particolare per quanto riguarda le convoluzioni in diverse dimensioni.
Pre-requisiti: Una familiarità generale con la retropropagazione e le reti neurali dense potrebbe essere utile, ma non è obbligatoria. Ne parlo in entrambi questi post:
- Dalla piattaforma di dati alla piattaforma di apprendimento automatico
- Apprendimento rinforzato regolarizzato per entropia spiegato
- Top 9 Strumenti di Gestione dei Dati da Utilizzare nel 2023
Cosa sono i gradienti e perché esplodono?
Leggendo questo post avrai una solida comprensione del concetto più importante nell’apprendimento profondo
towardsdatascience.com
Il motivo per cui esistono le reti convoluzionali
Il primo argomento che molti neofiti data scientist esplorano è una rete neurale densa. Questa è la classica rete neurale composta da nodi e archi che hanno determinati parametri apprendibili. Questi parametri consentono al modello di apprendere relazioni sottili sugli argomenti su cui vengono addestrati.
Man mano che il numero di neuroni cresce all’interno della rete, le connessioni tra i livelli diventano sempre più abbondanti. Ciò può consentire ragionamenti complessi, il che è fantastico, ma la “densità” delle reti dense presenta un problema quando si tratta di immagini.
Supponiamo che vogliamo addestrare una rete neurale densa per predire se un’immagine contiene o meno un cane. Potremmo creare una rete densa che analizza ogni pixel dell’immagine…