Raqamli texnologiyalarni rivojlantirish vazirligi muhammad al-xorazmiy nomidagi

Sinflararo 
o'zgaruvchanlik: muayyan ob'ekt sinf ichida o'zgaradi. Ular har xil shaklda, o'lchamda 
bo'lishi mumkin, ammo baribir bir xil sinfni ifodalaydi. Misol uchun, tugmalar, stullar, 
shishalar, sumkalar turli o'lcham va ko'rinishga ega. 
Oklyuziya: Ba'zi ob'ektlar 
tasvirning to'liq ko'rinishiga to'sqinlik qiladi va natijada tizimga to'liq bo'lmagan 
ma'lumotlar yuboriladi. Ushbu o'zgarishlarga sezgir bo'lgan va ma'lumotlarning keng 
namunalaridan iborat algoritmni ishlab chiqish kerak. Neyron tarmoq modellarini 
o'rgatish uchun o'quv majmuasi bitta sinfga va bir nechta sinfga tegishli navlarga ega 
bo'lishi kerak. O'quv to'plamida mavjud bo'lgan navlar test ma'lumotlari bo'yicha 
sinovdan o'tkazilganda model aniq bashorat qilishini ta'minlaydi. Biroq, namunalarning 
aksariyati tasodifiy tartibda bo'lgani uchun, etarli ma'lumotlar mavjudligini ta'minlash 
qo'lda ishlashni talab qiladi, bu zerikarli. 
Rasmni aniqlash uchun muntazam neyron tarmoqlarning cheklovlari 
• 
Ma'lumotlarning katta mavjudligi, cheklangan apparat mavjudligi tufayli ularni qayta 
ishlashni qiyinlashtiradi. 
• 
Modelni izohlashda qiyinchilik, chunki modellarning noaniqligi uni bir qator 
sohalarda qo'llashni taqiqlaydi. 
• 
Rivojlanish ko'proq vaqt talab etadi va shuning uchun rivojlanish vaqti bilan 
moslashuvchanlik buziladi. Keras kabi kutubxonalarning mavjudligi rivojlanishni 
soddalashtirsa-da, undan foydalanishda moslashuvchanlik yo'q. Bundan tashqari, 
Tensorflow ko'proq nazoratni ta'minlaydi, ammo u tabiatan murakkab va ishlab 
chiqishda ko'proq vaqt talab etiladi. 

---

Tasvirni aniqlashda konvolyutsion neyron tarmoqlarning roli 
Konvolyutsion 
neyron tarmoqlar yuqorida keltirilgan muammolarni hal qilishda hal qiluvchi rol 
o'ynaydi. Uning asosiy tamoyillari bizning vizual korteksimizdan ilhom olgan. CNN o'z 
ish uslubidagi o'zgarishlarni o'z ichiga oladi. CNN ma'lumotlari tasvirning to'liq raqamli 
qiymatlari bilan ta'minlanmagan. Buning o'rniga, to'liq tasvir bir nechta kichik 
to'plamlarga bo'linadi, ularning har biri o'zi tasvir sifatida ishlaydi. Kichik o'lchamdagi 
filtr to'liq tasvirni kichik qismlarga ajratadi. Har bir neyron to'plami tasvirning kichik 
qismiga ulangan. 
4-Rasm Tasvirni Ajratuvchi 5*5*3 Oʻlchamdagi FiltrShakl 5 Maks Pooling Bilan CNN 
Yo'li Keyinchalik bu tasvirlar oddiy neyron tarmoq jarayoniga o'xshash tarzda 
ishlanadi. Kompyuter rasmga nisbatan naqshlarni to'playdi va natijalar matritsa formatida 
saqlanadi.
Bit 
o'lchamidagi 
to'liq tasvir tizim bilan baham ko'rilmaguncha, bu jarayon takrorlanadi. Natijada tizim 
kiritilgan tasvirdan olingan turli naqshlarni ifodalovchi katta matritsa hosil bo'ladi. 
Ushbu matritsa Maks-Pullash deb 
nomlanuvchi usul bilan yana quyi namunaga tushiriladi (hajmi qisqartiriladi). U har bir 
kichik matritsadan maksimal qiymatlarni chiqaradi va natijada ancha kichikroq matritsa 
hosil bo'ladi. Bu qiymatlar rasmdagi naqshni ifodalaydi. Ushbu shakllangan matritsa 
neyron tarmoqlarga etkazib beriladi, chunki kirish va chiqish tasvirdagi sinflarning 
ehtimolini belgilaydi. 

---