Συνελικτικά νευρωνικά δίκτυα (CNN): Μια εισαγωγή

Τα συνελικτικά νευρωνικά δίκτυα προσφέρουν έναν πιο επεκτάσιμο τρόπο για εργασίες αναγνώρισης αντικειμένων και ταξινόμησης εικόνων.

Υπάρχουν πολλές εξελίξεις στον κόσμο της τεχνολογίας. Η τεχνητή νοημοσύνη και η μηχανική μάθηση είναι μερικά κοινά που μπορεί να ακούτε συχνά.

Επί του παρόντος, αυτές οι τεχνολογίες χρησιμοποιούνται σχεδόν σε κάθε τομέα, από το μάρκετινγκ, το ηλεκτρονικό εμπόριο και την ανάπτυξη λογισμικού μέχρι τις τράπεζες, τα χρηματοοικονομικά και την ιατρική.

Η τεχνητή νοημοσύνη και η ML είναι τεράστια πεδία και καταβάλλονται προσπάθειες για τη διεύρυνση των εφαρμογών τους για την επίλυση πολλών προβλημάτων του πραγματικού κόσμου. Αυτός είναι ο λόγος που θα μπορούσατε να δείτε πολλά υποκαταστήματα μέσα σε αυτές τις τεχνολογίες. Το ML είναι ένα υποσύνολο του ίδιου του AI.

Τα συνελικτικά νευρωνικά δίκτυα είναι ένας από τους κλάδους της τεχνητής νοημοσύνης που γίνεται δημοφιλής αυτές τις μέρες.

Σε αυτό το άρθρο, θα συζητήσω τι είναι τα CNN, πώς λειτουργούν και τη χρησιμότητά τους στον σύγχρονο κόσμο.

Ας βουτήξουμε αμέσως!

Πίνακας περιεχομένων

Τι είναι ένα συνελικτικό νευρωνικό δίκτυο;

Ένα συνελικτικό νευρωνικό δίκτυο (ConvNet ή CNN) είναι ένα τεχνητό νευρωνικό δίκτυο (ANN) που χρησιμοποιεί αλγόριθμους βαθιάς μάθησης για την ανάλυση εικόνων, την ταξινόμηση εικαστικών και την εκτέλεση εργασιών όρασης υπολογιστή.

Το CNN αξιοποιεί αρχές της γραμμικής άλγεβρας, όπως ο πολλαπλασιασμός πινάκων, για την ανίχνευση μοτίβων σε μια εικόνα. Καθώς αυτές οι διαδικασίες περιλαμβάνουν πολύπλοκους υπολογισμούς, απαιτούν μονάδες γραφικής επεξεργασίας (GPU) για την εκπαίδευση των μοντέλων.

Με απλά λόγια, το CNN χρησιμοποιεί αλγόριθμους Deep Learning για να λαμβάνει δεδομένα εισόδου όπως εικόνες και να αποδίδει σημασία με τη μορφή προκαταλήψεων και μαθησίων βαρών σε διαφορετικές πτυχές αυτής της εικόνας. Με αυτόν τον τρόπο, το CNN μπορεί να διαφοροποιήσει τις εικόνες ή να τις ταξινομήσει.

CNN: Μια σύντομη ιστορία

Δεδομένου ότι ένα συνελικτικό νευρωνικό δίκτυο είναι ένα τεχνητό νευρωνικό δίκτυο, είναι σημαντικό να επαναλάβουμε τα νευρωνικά δίκτυα.

Στον υπολογισμό, ένα νευρωνικό δίκτυο είναι μέρος της μηχανικής μάθησης (ML) που χρησιμοποιεί αλγόριθμους βαθιάς μάθησης. Είναι ανάλογο με τα μοτίβα συνδεσιμότητας που ακολουθούν οι νευρώνες στον ανθρώπινο εγκέφαλο. Τα τεχνητά νευρωνικά δίκτυα εμπνέονται επίσης από τον τρόπο διάταξης του οπτικού φλοιού.

Έτσι, διαφορετικοί τύποι νευρωνικών δικτύων ή τεχνητών νευρωνικών δικτύων (ΑΝΝ) χρησιμοποιούνται για διαφορετικούς σκοπούς. Ένα από αυτά είναι το CNN που χρησιμοποιείται για την ανίχνευση και ταξινόμηση εικόνων και πολλά άλλα. Εισήχθη από έναν μεταδιδακτορικό ερευνητή, τον Yann LeCun, τη δεκαετία του 1980.

Η πρώιμη έκδοση του CNN – το LeNet, που πήρε το όνομά του από τον LeCun, ήταν σε θέση να αναγνωρίζει χειρόγραφα ψηφία. Στη συνέχεια, χρησιμοποιήθηκε στις τραπεζικές και ταχυδρομικές υπηρεσίες για την ανάγνωση ψηφίων σε επιταγές και ταχυδρομικούς κώδικες γραμμένους σε φακέλους.

Ωστόσο, αυτή η πρώιμη έκδοση δεν είχε κλιμάκωση. Ως εκ τούτου, τα CNN δεν χρησιμοποιήθηκαν πολύ στην τεχνητή νοημοσύνη και την όραση υπολογιστών. Επίσης, απαιτούσε σημαντικούς υπολογιστικούς πόρους και δεδομένα για να λειτουργήσει πιο αποτελεσματικά για μεγαλύτερες εικόνες.

Επιπλέον, το 2012, η AlexNet επανεξέτασε τη βαθιά μάθηση που χρησιμοποιεί νευρωνικά δίκτυα που αποτελούνται από πολλαπλά επίπεδα. Περίπου αυτή την εποχή, η τεχνολογία βελτιώθηκε και μεγάλα σύνολα δεδομένων και μεγάλοι υπολογιστικοί πόροι ήταν διαθέσιμα για να καταστεί δυνατή η δημιουργία πολύπλοκων CNN ικανών να εκτελούν αποτελεσματικά δραστηριότητες όρασης υπολογιστή.

Επίπεδα σε ένα CNN

Ας κατανοήσουμε τα διαφορετικά επίπεδα σε ένα CNN. Η αύξηση των επιπέδων σε ένα CNN θα αυξήσει την πολυπλοκότητά του και θα του επιτρέψει να ανιχνεύσει περισσότερες πτυχές ή περιοχές μιας εικόνας. Ξεκινώντας με ένα απλό χαρακτηριστικό, καθίσταται ικανό να ανιχνεύει πολύπλοκα χαρακτηριστικά όπως το σχήμα του αντικειμένου και μεγαλύτερα στοιχεία μέχρι να μπορέσει τελικά να ανιχνεύσει την εικόνα.

Γιατί τα smartphone δεν μπορούν να τραβήξουν θολές φωτογραφίες φόντου

Συνελικτικό στρώμα

Το πρώτο στρώμα ενός CNN είναι το συνελικτικό στρώμα. Είναι το κύριο δομικό στοιχείο του CNN όπου γίνονται οι περισσότεροι υπολογισμοί. Χρειάζεται λιγότερα στοιχεία, όπως δεδομένα εισόδου, χάρτη χαρακτηριστικών και φίλτρο.

Ένα CNN μπορεί επίσης να έχει πρόσθετα συνελικτικά επίπεδα. Αυτό καθιστά τη δομή του CNN ιεραρχική αφού τα επόμενα επίπεδα μπορούν να απεικονίσουν pixel μέσα στα πεδία υποδοχής των προηγούμενων επιπέδων. Στη συνέχεια, τα συνελικτικά επίπεδα μετατρέπουν τη δεδομένη εικόνα σε αριθμητικές τιμές και επιτρέπουν στο δίκτυο να κατανοήσει και να εξάγει πολύτιμα μοτίβα.

Στρώματα συγκέντρωσης

Τα στρώματα συγκέντρωσης χρησιμοποιούνται για τη μείωση των διαστάσεων και ονομάζονται downsampling. Μειώνει τις παραμέτρους που χρησιμοποιούνται στην είσοδο. Η λειτουργία ομαδοποίησης μπορεί να μετακινήσει ένα φίλτρο πάνω από την πλήρη είσοδο όπως το συνελικτικό στρώμα, αλλά δεν έχει βάρη. Εδώ, το φίλτρο εφαρμόζει μια κοινή συνάρτηση στις αριθμητικές τιμές στο πεδίο υποδοχής για να συμπληρώσει τον πίνακα αποτελεσμάτων.

Η συγκέντρωση έχει δύο τύπους:

Μέση συγκέντρωση: Η μέση τιμή υπολογίζεται στο πεδίο λήψης που σαρώνει το αρχείο αρχείου πάνω από την είσοδο για να μεταδοθεί στη συστοιχία εξόδου.
Μέγιστη συγκέντρωση: Επιλέγει τη μέγιστη τιμή pixel και τη στέλνει στον πίνακα εξόδου καθώς το φίλτρο σαρώνει την είσοδο. Η μέγιστη συγκέντρωση χρησιμοποιείται περισσότερο από τη μέση συγκέντρωση.

Αν και σημαντικά δεδομένα χάνονται στη συγκέντρωση, εξακολουθεί να προσφέρει πολλά οφέλη στο CNN. Βοηθά στη μείωση των κινδύνων υπερβολικής προσαρμογής και της πολυπλοκότητας ενώ βελτιώνει την αποτελεσματικότητα. Ενισχύει επίσης τη σταθερότητα του CNN.

Πλήρως συνδεδεμένο (FC) στρώμα

Όπως υποδηλώνει το όνομα, όλοι οι κόμβοι σε ένα επίπεδο εξόδου συνδέονται απευθείας με τον κόμβο του προηγούμενου επιπέδου σε ένα πλήρως συνδεδεμένο επίπεδο. Ταξινομεί μια εικόνα με βάση τα εξαγόμενα χαρακτηριστικά μέσω των προηγούμενων επιπέδων μαζί με τα φίλτρα τους.

Επιπλέον, τα επίπεδα FC χρησιμοποιούν γενικά μια συνάρτηση ενεργοποίησης softmax για να ταξινομούν σωστά τις εισόδους αντί για τις συναρτήσεις ReLu (όπως στην περίπτωση των επιπέδων συγκέντρωσης και συνέλιξης). Αυτό βοηθά στην παραγωγή μιας πιθανότητας είτε 0 είτε 1.

Πώς λειτουργούν τα CNN;

Ένα συνελικτικό νευρωνικό δίκτυο αποτελείται από πολλά επίπεδα, ακόμη και εκατοντάδες από αυτά. Αυτά τα επίπεδα μαθαίνουν να αναγνωρίζουν διάφορα χαρακτηριστικά μιας δεδομένης εικόνας.

Αν και τα CNN είναι νευρωνικά δίκτυα, η αρχιτεκτονική τους διαφέρει από ένα κανονικό ANN.

Το τελευταίο εισάγει μια είσοδο μέσω πολλών κρυφών επιπέδων για να το μεταμορφώσει, όπου κάθε στρώμα δημιουργείται με ένα σύνολο τεχνητών νευρώνων και συνδέεται πλήρως με κάθε νευρώνα στο ίδιο στρώμα. Επιτέλους, υπάρχει ένα πλήρως συνδεδεμένο επίπεδο ή το επίπεδο εξόδου για την εμφάνιση του αποτελέσματος.

Από την άλλη πλευρά, το CNN οργανώνει τα επίπεδα σε τρεις διαστάσεις – πλάτος, βάθος και ύψος. Εδώ, ένα στρώμα από τον νευρώνα συνδέεται μόνο με νευρώνες σε μια μικρή περιοχή αντί να σχετίζεται με καθέναν από αυτούς στο επόμενο στρώμα. Τέλος, το τελικό αποτέλεσμα αντιπροσωπεύεται από ένα μόνο διάνυσμα με βαθμολογία πιθανότητας και έχει μόνο τη διάσταση βάθους.

Τώρα, μπορείτε να ρωτήσετε τι είναι η «συνέλιξη» σε ένα CNN.

Λοιπόν, η συνέλιξη αναφέρεται σε μια μαθηματική πράξη για τη συγχώνευση δύο συνόλων δεδομένων. Στο CNN, η έννοια της συνέλιξης εφαρμόζεται στα δεδομένα εισόδου για την έξοδο ενός χάρτη χαρακτηριστικών φιλτράροντας τις πληροφορίες.

Αυτό μας φέρνει σε μερικές από τις σημαντικές έννοιες και ορολογίες που χρησιμοποιούνται στα CNN.

Φίλτρο: Γνωστό και ως ανιχνευτής χαρακτηριστικών ή πυρήνας, ένα φίλτρο μπορεί να έχει μια συγκεκριμένη διάσταση, όπως 3×3. Πηγαίνει πάνω από μια εικόνα εισόδου για να εκτελέσει πολλαπλασιασμό πίνακα για κάθε στοιχείο για να εφαρμόσει συνέλιξη. Η εφαρμογή φίλτρων σε κάθε εικόνα προπόνησης σε διάφορες αναλύσεις συν την έξοδο της συνεστραμμένης εικόνας θα λειτουργήσει ως είσοδος για το επόμενο επίπεδο.

Επένδυση: Χρησιμοποιείται για την επέκταση μιας μήτρας εισόδου στα όρια της μήτρας με την εισαγωγή πλαστών εικονοστοιχείων. Γίνεται για να αντιμετωπιστεί το γεγονός ότι η συνέλιξη μειώνει το μέγεθος του πίνακα. Για παράδειγμα, ένας πίνακας 9×9 μπορεί να μετατραπεί σε μήτρα 3×3 μετά το φιλτράρισμα.
Διασκελισμός: Εάν θέλετε να έχετε μια έξοδο μικρότερη από την είσοδο σας, μπορείτε να εκτελέσετε διασκελισμό. Επιτρέπει την παράλειψη συγκεκριμένων περιοχών ενώ το φίλτρο γλιστράει πάνω από την εικόνα. Παραλείποντας δύο ή τρία pixel, μπορείτε να δημιουργήσετε ένα πιο αποτελεσματικό δίκτυο μειώνοντας τη χωρική ανάλυση.
Βάρη και προκαταλήψεις: Τα CNN έχουν βάρη και προκαταλήψεις στους νευρώνες τους. Ένα μοντέλο μπορεί να μάθει αυτές τις τιμές ενώ προπονείται και οι τιμές παραμένουν ίδιες σε ένα δεδομένο επίπεδο για όλους τους νευρώνες. Αυτό σημαίνει ότι κάθε κρυφός νευρώνας ανιχνεύει τα ίδια χαρακτηριστικά σε διαφορετικές περιοχές μιας εικόνας. Ως αποτέλεσμα, το δίκτυο γίνεται πιο ανεκτικό ενώ μεταφράζει αντικείμενα σε μια δεδομένη εικόνα.
ReLU: σημαίνει Rectified Linear Unit (ReLu) και χρησιμοποιείται για πιο αποτελεσματική και ταχύτερη προπόνηση. Αντιστοιχίζει τις αρνητικές τιμές στο 0 και διατηρεί θετικές τιμές. Ονομάζεται επίσης ενεργοποίηση, καθώς το δίκτυο μεταφέρει μόνο τις ενεργοποιημένες λειτουργίες εικόνας στο επόμενο επίπεδο.
Δεκτικό πεδίο: Σε ένα νευρωνικό δίκτυο, κάθε νευρώνας λαμβάνει είσοδο από διαφορετικές θέσεις από το προηγούμενο επίπεδο. Και στα συνελικτικά στρώματα, κάθε νευρώνας λαμβάνει είσοδο από μια περιορισμένη περιοχή μόνο του προηγούμενου στρώματος, που ονομάζεται δεκτικό πεδίο του νευρώνα. Στην περίπτωση του επιπέδου FC, ολόκληρο το προηγούμενο στρώμα είναι το πεδίο υποδοχής.

Ποια είναι η διαφορά μεταξύ θηκών τηλεφώνου, προστατευτικών, δερμάτων και καλυμμάτων;

Σε εργασίες υπολογισμού πραγματικού κόσμου, συνήθως, η συνέλιξη εκτελείται σε μια τρισδιάστατη εικόνα που απαιτεί ένα φίλτρο 3D.

Επιστρέφοντας στο CNN, περιλαμβάνει διαφορετικά μέρη ή επίπεδα κόμβων. Κάθε στρώμα κόμβου έχει ένα κατώφλι και ένα βάρος και συνδέεται με ένα άλλο. Με την υπέρβαση του ορίου, τα δεδομένα αποστέλλονται στο επόμενο επίπεδο αυτού του δικτύου.

Αυτά τα επίπεδα μπορούν να εκτελέσουν λειτουργίες για να αλλάξουν τα δεδομένα για να μάθουν σχετικά χαρακτηριστικά. Επίσης, αυτές οι λειτουργίες επαναλαμβάνουν εκατοντάδες διαφορετικά επίπεδα που συνεχίζουν να μαθαίνουν να ανιχνεύουν άλλα χαρακτηριστικά μιας εικόνας.

Τα μέρη ενός CNN είναι:

Ένα επίπεδο εισόδου: Εδώ λαμβάνεται η είσοδος, όπως μια εικόνα. Θα είναι ένα τρισδιάστατο αντικείμενο με καθορισμένο ύψος, πλάτος και βάθος.
Ένα/πολλαπλά κρυφά στρώματα ή φάση εξαγωγής χαρακτηριστικών: αυτά τα στρώματα μπορεί να είναι ένα συνελικτικό στρώμα, ένα στρώμα συγκέντρωσης και ένα πλήρως συνδεδεμένο στρώμα.
Ένα επίπεδο εξόδου: Εδώ, θα εμφανιστεί το αποτέλεσμα.

Η διέλευση της εικόνας μέσω του επιπέδου συνέλιξης μετατρέπεται σε χάρτη χαρακτηριστικών ή χάρτη ενεργοποίησης. Μετά τη συνέλιξη της εισόδου, τα στρώματα περιστρέφουν την εικόνα και περνούν το αποτέλεσμα στο επόμενο επίπεδο.

Το CNN θα εκτελέσει πολλές συνελίξεις και τεχνικές συγκέντρωσης για να ανιχνεύσει τα χαρακτηριστικά κατά τη φάση εξαγωγής χαρακτηριστικών. Για παράδειγμα, εάν εισάγετε την εικόνα μιας γάτας, το CNN θα αναγνωρίσει τα τέσσερα πόδια της, το χρώμα, τα δύο μάτια της κ.λπ.

Στη συνέχεια, τα πλήρως συνδεδεμένα επίπεδα σε ένα CNN θα λειτουργούν ως ταξινομητής πάνω από τα εξαγόμενα χαρακτηριστικά. Με βάση αυτό που έχει προβλέψει ο αλγόριθμος βαθιάς μάθησης για την εικόνα, τα επίπεδα θα έδιναν το αποτέλεσμα.

Πλεονεκτήματα των CNN

Υψηλότερη Ακρίβεια

Τα CNN προσφέρουν μεγαλύτερη ακρίβεια από τα κανονικά νευρωνικά δίκτυα που δεν χρησιμοποιούν συνέλιξη. Τα CNN είναι χρήσιμα, ειδικά όταν η εργασία περιλαμβάνει πολλά δεδομένα, αναγνώριση βίντεο και εικόνων, κ.λπ. Παράγουν εξαιρετικά ακριβή αποτελέσματα και προβλέψεις. Ως εκ τούτου, η χρήση τους αυξάνεται σε διάφορους τομείς.

Υπολογιστική Αποδοτικότητα

Τα CNN προσφέρουν υψηλότερο επίπεδο υπολογιστικής απόδοσης από άλλα κανονικά νευρωνικά δίκτυα. Αυτό οφείλεται στη χρήση της διαδικασίας συνέλιξης. Χρησιμοποιούν επίσης μείωση διαστάσεων και κοινή χρήση παραμέτρων για να κάνουν τα μοντέλα ταχύτερα και ευκολότερα στην ανάπτυξη. Αυτές οι τεχνικές μπορούν επίσης να βελτιστοποιηθούν για να λειτουργούν σε διαφορετικές συσκευές, είτε πρόκειται για smartphone είτε για φορητό υπολογιστή.

Εξαγωγή χαρακτηριστικών

Το CNN μπορεί εύκολα να μάθει τα χαρακτηριστικά μιας εικόνας χωρίς να χρειάζεται χειροκίνητη μηχανική. Μπορείτε να αξιοποιήσετε προεκπαιδευμένα CNN και να διαχειριστείτε τα βάρη τροφοδοτώντας τους δεδομένα όταν εργάζεστε σε μια νέα εργασία και το CNN θα προσαρμοστεί απρόσκοπτα σε αυτήν.

Πώς να ανανεώσετε αυτόματα τα φιλτραρισμένα δεδομένα στο Excel όταν ενημερωθούν

Εφαρμογές του CNN

Τα CNN χρησιμοποιούνται σε διαφορετικές βιομηχανίες για πολλές περιπτώσεις χρήσης. Μερικές από τις πραγματικές εφαρμογές των CNN περιλαμβάνουν:

Ταξινόμηση εικόνων

Τα CNN χρησιμοποιούνται ευρέως στην ταξινόμηση εικόνων. Αυτά μπορούν να αναγνωρίσουν πολύτιμα χαρακτηριστικά και να αναγνωρίσουν αντικείμενα σε μια δεδομένη εικόνα. Ως εκ τούτου, χρησιμοποιείται σε τομείς όπως η υγειονομική περίθαλψη, ιδιαίτερα οι μαγνητικές τομογραφίες. Επιπλέον, αυτή η τεχνολογία χρησιμοποιείται στη χειρόγραφη αναγνώριση ψηφίων, η οποία είναι από τις πρώτες περιπτώσεις χρήσης CNN στην όραση υπολογιστή.

Ανίχνευση αντικειμένων

Το CNN μπορεί να ανιχνεύει αντικείμενα σε εικόνες σε πραγματικό χρόνο και επίσης να τα επισημαίνει και να τα ταξινομεί. Επομένως, αυτή η τεχνική χρησιμοποιείται ευρέως σε αυτοματοποιημένα οχήματα. Επιτρέπει επίσης στα έξυπνα σπίτια και στους πεζούς να αναγνωρίζουν το πρόσωπο του ιδιοκτήτη του οχήματος. Χρησιμοποιείται επίσης σε συστήματα επιτήρησης που λειτουργούν με AI για τον εντοπισμό και τη σήμανση αντικειμένων.

Οπτικοακουστική αντιστοίχιση

Η βοήθεια του CNN στην οπτικοακουστική αντιστοίχιση συμβάλλει στη βελτίωση των πλατφορμών ροής βίντεο, όπως το Netflix, το YouTube, κ.λπ. Βοηθά επίσης να ικανοποιηθούν αιτήματα των χρηστών, όπως “τραγούδια αγάπης από τον Έλτον Τζον”.

Αναγνώρισης ομιλίας

Εκτός από τις εικόνες, τα CNN βοηθούν στην επεξεργασία φυσικής γλώσσας (NLP) και στην αναγνώριση ομιλίας. Ένα πραγματικό παράδειγμα αυτού θα μπορούσε να είναι η Google που χρησιμοποιεί CNN στο σύστημα αναγνώρισης ομιλίας της.

Ανακατασκευή αντικειμένου

Τα CNN μπορούν να χρησιμοποιηθούν στην τρισδιάστατη μοντελοποίηση ενός πραγματικού αντικειμένου σε ψηφιακό περιβάλλον. Είναι επίσης δυνατό για τα μοντέλα του CNN να δημιουργήσουν ένα τρισδιάστατο μοντέλο προσώπου χρησιμοποιώντας μια εικόνα. Επιπλέον, το CNN είναι χρήσιμο για την κατασκευή ψηφιακών διδύμων στη βιοτεχνολογία, την κατασκευή, τη βιοτεχνολογία και την αρχιτεκτονική.

Η χρήση του CNN σε διάφορους τομείς περιλαμβάνει:

Υγειονομική περίθαλψη: Η όραση υπολογιστή μπορεί να χρησιμοποιηθεί στην ακτινολογία για να βοηθήσει τους γιατρούς να ανιχνεύσουν καρκινικούς όγκους με καλύτερη αποτελεσματικότητα σε ένα άτομο.
Γεωργία: Τα δίκτυα μπορούν να χρησιμοποιήσουν εικόνες από τεχνητούς δορυφόρους όπως το LSAT και να αξιοποιήσουν αυτά τα δεδομένα για την ταξινόμηση των εύφορων εδαφών. Αυτό βοηθά επίσης στην πρόβλεψη των επιπέδων γονιμότητας της γης και στην ανάπτυξη μιας αποτελεσματικής στρατηγικής για τη μεγιστοποίηση της απόδοσης.
Μάρκετινγκ: Οι εφαρμογές κοινωνικών μέσων μπορούν να προτείνουν ένα άτομο σε μια φωτογραφία που δημοσιεύτηκε στο προφίλ κάποιου. Αυτό σας βοηθά να προσθέσετε ετικέτες σε άτομα στα άλμπουμ φωτογραφιών σας.
Λιανικό εμπόριο: Οι πλατφόρμες ηλεκτρονικού εμπορίου μπορούν να χρησιμοποιήσουν την οπτική αναζήτηση για να βοηθήσουν τις επωνυμίες να προτείνουν σχετικά προϊόντα που θέλουν να αγοράσουν οι πελάτες-στόχοι.
Αυτοκίνητο: Το CNN βρίσκει χρήση στα αυτοκίνητα για τη βελτίωση της ασφάλειας των επιβατών και των οδηγών. Αυτό το κάνει με τη βοήθεια λειτουργιών όπως η ανίχνευση γραμμής λωρίδας, η ανίχνευση αντικειμένων, η ταξινόμηση εικόνων κ.λπ. Αυτό βοηθά επίσης τον κόσμο των αυτοοδηγούμενων αυτοκινήτων να εξελιχθεί περισσότερο.

Πόροι για να μάθετε CNN

Coursera:

Το Coursera έχει αυτό το μάθημα στο CNN που μπορείτε να εξετάσετε το ενδεχόμενο να παρακολουθήσετε. Αυτό το μάθημα θα σας διδάξει πώς η όραση των υπολογιστών έχει εξελιχθεί με τα χρόνια και ορισμένες εφαρμογές των CNN στον σύγχρονο κόσμο.

Αμαζόνα:

Μπορείτε να διαβάσετε αυτά τα βιβλία και τις διαλέξεις για να μάθετε περισσότερα για το CNN:

Νευρωνικά δίκτυα και βαθιά μάθηση: Καλύπτει μοντέλα, αλγόριθμους και τη θεωρία της βαθιάς μάθησης και των νευρωνικών δικτύων.

Ένας οδηγός για συνελικτικά νευρωνικά δίκτυα για όραση υπολογιστή: Αυτό το βιβλίο θα σας διδάξει τις εφαρμογές των CNN και τις έννοιές τους.

Πρακτικά συνελικτικά νευρωνικά δίκτυα με Tensorflow: Μπορείτε να λύσετε διάφορα προβλήματα στην όραση υπολογιστή χρησιμοποιώντας Python και TensorFlow με τη βοήθεια αυτού του βιβλίου.

Advanced Applied Deep Learning: Αυτό το βιβλίο θα σας βοηθήσει να κατανοήσετε τα CNN, τη βαθιά εκμάθηση και τις προηγμένες εφαρμογές τους, συμπεριλαμβανομένης της ανίχνευσης αντικειμένων.

Συνελικτικά νευρωνικά δίκτυα και επαναλαμβανόμενα νευρωνικά δίκτυα: Αυτό το βιβλίο θα σας διδάξει για τα CNN και τα RNN και πώς να δημιουργήσετε αυτά τα δίκτυα.

συμπέρασμα

Τα συνελικτικά νευρωνικά δίκτυα είναι ένα από τα αναδυόμενα πεδία της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της βαθιάς μάθησης. Έχει διάφορες εφαρμογές στον σημερινό κόσμο σχεδόν σε κάθε τομέα. Εξετάζοντας την αυξανόμενη χρήση του, αναμένεται να επεκταθεί περισσότερο και να είναι πιο χρήσιμο για την αντιμετώπιση προβλημάτων του πραγματικού κόσμου.