Com funcionen les xarxes neuronals convolucionals?
Com funcionen les xarxes neuronals convolucionals?

Vídeo: Com funcionen les xarxes neuronals convolucionals?

Vídeo: Com funcionen les xarxes neuronals convolucionals?
Vídeo: T9. Xarxes neuronals convolucionals (CNN, ConvNet) - Xavier Giró - UPC GDSA 2020 2024, Abril
Anonim

A Xarxa neuronal convolucional (ConvNet/CNN) és un algorisme d'aprenentatge profund que pot prendre una imatge d'entrada, assignar importància (pesos i biaixos aprendre) a diversos aspectes/objectes de la imatge i ser capaç de diferenciar-los els uns dels altres.

També la pregunta és, per a què serveixen les xarxes neuronals convolucionals?

Aquesta és la idea darrere de l'ús del pooling in xarxes neuronals convolucionals . La posada en comú capa serveix per reduir progressivament la mida espacial de la seva representació, per reduir el nombre de paràmetres, l'empremta de memòria i la quantitat de càlcul a la xarxa , i per tant també controlar el sobreajust.

A més, què són els filtres a les xarxes neuronals convolucionals? En convolucional ( filtració i codificació per transformació) xarxes neuronals (CNN) cada xarxa capa actua com a detecció filtre per la presència de característiques o patrons específics presents a les dades originals.

Sapigueu també, com aprèn una CNN?

Perquè el CNN mira els píxels en context, això és capaç de aprendre patrons i objectes i els reconeix encara que siguin són en diferents posicions de la imatge. CNN (capes convolucionals per ser específics) aprendre els anomenats filtres o nuclis (de vegades també anomenats filtres).

Quin és el propòsit de la capa de convolució?

La primària propòsit de la convolució en el cas d'aConvNet és extreure característiques de la imatge d'entrada. Convolució preserva la relació espacial entre els píxels aprenent les característiques de la imatge utilitzant petits quadrats de dades d'entrada.

Recomanat: