Jamoalar (16) neural-networksimage-processingmachine-learning
Download 61.95 Kb.
|
neyron tasvir tabish
 Donolik Statistika
Jamoalar (16)neural-networksimage-processingmachine-learning Neyron tarmoq tasvirlarni qanday taniydi? Men Neural Tarmoqni tasvirni aniqlashda qanday ishlashini o'rganishga harakat qilaman. Men ba'zi misollarni ko'rdim va bundan ham battarlashib qoldim. 20x20 tasvirni harfni tan olish misolida, har bir pikselning qiymatlari kirish qatlami bo'ladi. Shunday qilib 400 neyron. Keyin neyronlarning yashirin qatlami va 26 chiqadigan neyron. Keyin tarmoqni o'rgating va u ishlaydi, mukammal emas. Neuro Tarmoq haqida meni nima chalkashtirib qo'ydi, qanday qilib tasvirdagi narsalar haqida bilib olasiz. Tarmoq tasvirlarni taqqoslash va tanib olishni o'rganish uchun chegara, segmentatsiya yoki o'lchov qilishning hojati yo'q. Bu hozir menga sehr kabi. Neyron tarmog'ini qaerdan o'rganish kerak? 24 qo'shib qo'ydi 09 Oktyabr 2012 ichida 07:50 muallif user1731927 tahrirlangan 09 Oktyabr 2012 ichida 10:49
Ko'rishlar: 68 manba RONLJARUESPTDEZHHIBNARKKBETRUK 6 javoblar 1980-yillarda professor Kunihiko Fukushima ishini o'rganishda menga neytral tarmoq qanday qilib murakkab bir narsani tasavvur qilishni o'rgatishim mumkinligi haqidagi misollar va to'g'ri javoblarim keldi. U faqat o'zlarining tarmoqlarini bir nechta tasvirlarni ko'rsatishni va uni o'z-o'zidan anglash uchun qayta targ'ib qilishni ishlatish o'rniga, u boshqa yondashuvni oldi va tarmoq sathini qatlam bilan va hatto tugun orqali tugunni o'rgandi. U tarmoqning har bir individual tugunining ishlashini va ishlashini tahlil qildi va ularni maqsadga muvofiq tarzda o'zgartirish uchun bu qismlarni ataylab o'zgartirdi. Misol uchun, u tarmoqning chiziqlarni tanib olishini xohlaganini bilar edi, shuning uchun u uch pikselli gorizontal chiziqlarni, 3 piksel vertikal chiziqlarni va barcha burchaklardagi diagonali chiziqlarning aniq o'zgarishini tanib olish uchun aniq qatlam va tugunlarni o'rgatdi. Shunday qilib, istalgan naqshlar mavjud bo'lganda tarmoqning qaysi qismlarini yoqish mumkinligini aniq bilardi. Keyin, har bir qavat juda bog'langanligi sababli, butun neocognitron butun jismda qaerda bo'lishidan qat'iy nazar tasvirdagi kompozit qismlarning har birini aniqlab berishi mumkin. Shunday qilib, ma'lum bir chiziq bo'limi vahiyning biror joyida mavjud bo'lganda, har doim yong'in chiqadigan maxsus tugun bo'lishi kerak edi. Ushbu rasmni hozirgi vaqtda saqlab turish uchun, sizning ma'lumotlaringiz orqali eng yahshi o'tgan kvadrat xatoliklar orqali formula (yoki chiziq) topib, to'g'ri tushunish uchun oson bo'lgan chiziqli regressni ko'rib chiqing. Kvadratli "chiziqlarni" topish uchun biz mahsulotlarning bir xil miqdorida hisoblashni amalga oshira olamiz, bundan tashqari biz x2 yoki x ^ 3 yoki hatto undan yuqori buyurtma polinomalarining bir necha parametrlarini qo'shamiz. Endi sizda logistik regressiya tasnifi mavjud. Bu tasniflovchi tabiatan xarakterli bo'lmagan munosabatlarni topishi mumkin. Aslida, logistika regressiya o'zboshimchalik bilan murakkab bo'lgan munosabatlarni ifodalashi mumkin, lekin siz hali ham ma'lumotni taxmin qilishda yaxshi ish qilish uchun kuch xususiyatlarining to'g'ri sonini qo'lda tanlashingiz kerak. Neyron tarmoqni o'ylashning bir usuli oxirgi qatlamni logistika regressiya tasniflagichi sifatida ko'rib chiqish va keyin yashirin qatlamlarni avtomatik ravishda "xususiyatli tanlovchilar deb hisoblanishi mumkin. . Bu kirish xususiyatlarining to'g'ri sonini va kuchini qo'lda qo'l bilan ishlashni bartaraf qiladi. Shunday qilib, NN avtomatik quvvat xususiyatiga aylanadi va har qanday lineer yoki chiziqli bo'lmagan munosabatlarni topadi yoki o'zboshimchalik bilan kompleks majmualarni tasniflovchi vazifasini bajaradi ** (bu, faqatgina taxmin qilinadiki, etarli darajada yashirin qatlamlar mavjud va o'rganish kerak bo'lgan modelning murakkabligini ifodalash uchun ulanishlar). Nihoyat, yaxshi ishlaydigan NN kirish va chiqimlar o'rtasidagi "o'zaro bog'liqlik" ni emas, balki uning o'rniga soyabonni yoki kuchli omillarni mustahkamlaydigan modelni o'rganishga intiladi. Asosan, neyron tarmog'i aqlga asoslangan aqlli insonni hech narsa o'rgana olmaydi, ammo nazariy jihatdan bir xil ma'lumotlardan etarli vaqt talab qilinmaydi,
bu hali hech kim aniqlanmagan bir narsani bilishi mumkin katta muammolar uchun neyron tarmoqlarini ishlaydigan kompyuterlar banki odamlar guruhiga qaraganda ancha arzonroq (juda arzonroq) yaxshi echimlarni topishi mumkin bir marta o'qitilgan NNlar o'zlarining o'qitilgan ma'lumotlari bilan ishonchli natijalarni ishlab chiqaradi va agar ular to'g'ri chizilgan bo'lsa, umumlashtirishi lozim NN hech qachon zeriktirilmaydi yoki chalg'itmaydi 23 qo'shib qo'ydi 10 Oktyabr 2012 ichida 07:53 muallif ForCripeSake
Rahmat, lekin har bir ANNning oxirgi qatlami, aslida, logistika regressiya qatlami ekanligi haqida aniq aytmoqchi emasman, lekin bu ko'pgina muammolarni hal qiladigan yagona konfiguratsiya. Ko'pincha tasodifiy yo'l bilan biz odatda ATNni o'qiymiz, natijada har qanday hosil bo'ladigan regressiya ko'p tugun va qatlamlar bo'ylab juda tasodifiy tarzda tarqaladi. Ayrim usullarda javob berish uchun pastki tarmoqlarni o'rgatish mumkin va keyinchalik ularni maxsus registratsion qatlamga chiqarish uchun muayyan muammolar uchun ixtisoslashtirilgan tarmoqlarni yaratishga erishish mumkin. ANNni xotirada va tezda yuqori darajada samarali ishlash. qo'shib qo'ydi 06 Yanvar 2015 ichida 12:37, muallif ForCripeSake, manba Bu javob qarashlarni ushlab turadi, shuning uchun hozir 5 yoshdan oshganini va faqat to'liq bog'langan tarmoqlarni uzatishni nazarda tutishini o'ylardim. Garchi bu erda kontseptual tushunchalar amalda bo'lsa ham, amaliyotchiga so'nggi o'n yil ichida standart bo'lib kelgan chuqur NN tushunchalarini tushunish uchun etarlicha yordam bermaydi. CNN (konvolent neyron tarmog'i) pastki darajadagi xususiyatlar kontekstini aniqlash uchun ulardan qirralarning, kontrastni, aniqlikni, rangi bo'shliqlarni, soyalarni va boshqalarni topishga imkon berib, chuqur tarmoqlarga super kuchlarni beradi juda muhim zamonaviy adapter. qo'shib qo'ydi 04 Aprel 2018 ichida 09:42, muallif ForCripeSake, manba Maxfiy qavatning xususiyat tanlovining yuqori qismida oxirgi qatlamning logistika regressini qanday bajarishi haqida paragraf uchun +1. Bu NNlar haqida o'ylashning ajoyib usuli. qo'shib qo'ydi 10 Oktyabr 2012 ichida 09:48, muallif Bob, manba Ehtimol, siz neyron tarmoqlar " universal funktsiyalar taxminlari " deb aytganini eshitgan bo'lishingiz mumkin. Aslida, Cybenko teoremasi, har qanday funktsiyani xaritalash realslariga erishish uchun sigmasimon aktivizatsiya funktsiyalari bilan neyron tarmoq bilan yaqinlashtirishi mumkin. Darhaqiqat, neyron tarmoqlar sizning hisobingizga kiradigan har qanday funktsiyani hisoblash imkonini beradi, bu esa Turing mashinasi (ya'ni siz hisoblash uchun algoritm yozishingiz mumkin bo'lgan har qanday narsa). Afsuski, bu dalillar faqat neyronlarning va og'irliklarning cheklangan konfiguratsiyasi uchun biron bir funksiyani taxmin qilish mumkinligini aytadi. Nazariya hamma yoqimli va chiroyli, lekin sizning savolingiz aslida ba'zi funktsiyalarni hisoblashni neyronlar va og'irliklar to'plamiga qanday kodlash bo'yicha chiziqlarga o'xshab ko'rinadi. Misol uchun, oddiy misolni ko'rib chiqaylik. XOR ikkita uskuna oladi, bu yozuvlarni oladi. Agar kirishlaringizdan bittasi faollashtirilsa, u holda chiqish tuguni yoqiladi. Kirishning ikkalasi ham yoki hech biri faollashtirilmasa, u holda chiqdi tugmasi faollashtirilmaydi. 
E'tibor bering, uchta maxfiy tugun turli narsalarni qiladi. Chap va o'ngdagi ko'pgina tugunlar hurmatli kirish tugunlarini faollashtiradilar. O'rta neyron ikkita uskuna oladi va agar ular ikkalasi ham bo'lsa, negadir ularni bekor qiladi. Ushbu aqlli ma'lumotlarning birlashishi va rekombinatsiyasi asosan neyron tarmog'ida ishlashning qanday qilinishi. Ko'rinib turibdiki, murakkab vazifalar uchun kombinatsiyalash va qayta qurish yanada aqlli va murakkab usullarda amalga oshirilishi kerak, lekin bu mohiyatan past darajadagi vaziyatga bog'liq. Ajablanarlisi shundaki, bu, albatta, siz hisoblash funksiyasini hisoblash uchun kerak bo'lgan barcha narsadir! Keyinchalik, turg'unlashtiruvchi mashinalar ham yolg'onga aylantiriladi ... Muammo shundaki, bizda sehrli tarmoqni yaratib, ba'zi bir o'zboshimchalik funktsiyasini hisobga oladigan usuli yo'q. Dalillar faqatgina buni amalga oshiradigan ba'zi tarmoqlar mavjudligini bizga ma'lum qiladi. Biz neyron tarmoqlarini o'rgatayotganimizda, biz juda yaqin bo'lgan tarmoqni topishga harakat qilmoqdamiz. Rasmni aniqlash kontekstida siz tarmoqqa kodlash modellarini tasavvur qilishingiz mumkin. Masalan, '1' raqamini tan olish uchun, piksellar ustunini asosan yoki barchasini faollashtiradigan maxfiy tugunlarni tasavvur qilishingiz mumkin, qo'shni piksellar o'chiriladi. Ushbu yashirin tugun ushbu ustunda to'g'ri chiziqni tanib olish uchun juda yaxshi bo'lishi mumkin. Ularni bir joyga qo'ying va juda yaqin orada sizning rasmingizning etarli joylarida buni amalga oshiradigan bir nechta tugunlar bor, agar men tarmoqni ko'rsatadigan bo'lsam, etarli darajadagi to'g'ri chiziqli yashirin tugunlar faollashtiriladi, bu esa "1" ni ko'rsatadi. Muammoni, albatta, tarmoqni umumlashtiradigan bo'lib, turli xil kirishlar to'plamini taniy olishi mumkin. Umid qilamanki, bu neyron tarmog'ining hisob-kitoblarni qanday bajarishi mumkinligi haqidagi tushunchalarni ko'proq yoki kamroq tushunishga yordam beradi. Biroq, siz neyron tarmoqlaringiz uchun juda muhim bo'lgan nuqtani urgansiz: umuman, nima uchun tarmoq ma'lum bir chiqishni nima uchun tishlaganini tushunish qiyin, ayniqsa, tasvirni tanib olish kabi bir narsa uchun, tarmoqlar odatda odamlarning mashinaning har bir harakatlanuvchi qismini tushunadigan qiyin vaqtlari bor. Muammolarni murakkablashtiradigan narsa shundaki, odatda neyronlarning ko'pgina tarmoqlarida tarmoq haqida ma'lumotlarni bilib olish uchun har bir kichik xususiyat uchun bitta yashirin tugun mavjud emas. Buning o'rniga, "1" raqamini tasniflash uchun to'g'ri chiziq singari narsalarni aniqlash juda ko'p yashirin tugunlar bo'yicha markazsizlashtirilgan tarzda amalga oshiriladi. Qaror daraxtlari kabi boshqa algoritmlar bu jihatdan juda ham yaxshi. Agar ko'proq o'qishni qidirayotgan bo'lsangiz, men ushbu o'quvchi orqali o'qish tavsiya qilaman ai junkie ustida. U sizni asab tarmog'ining qanday ishlashi asoslari orqali yuritadi, hatto neytral tarmoqlarni maqsadga yo'naltirish uchun oddiy kodlar misolini beradi. O'qituvchi, neyron tarmoqlarini o'rgatishning eng keng tarqalgan usullaridan biri bo'lib, oddiy genetik algoritmdan foydalanadi. U genetikani gaplasha boshlagach, o'qishni to'xtata olasiz ... 10 qo'shib qo'ydi 09 Oktyabr 2012 ichida 10:04 muallif Bob manba Tanqidiy ravishda, "qattiq bo'lmagan" ingl. Moslamalarni to'g'ri tasniflashdagi qiyinchilik, yoki boshqa yo'l bilan aytganda, qirralari toza chiziqlarga ega bo'lmagan narsalar, tabiat ham bu kamuflyajning mukammal bir qochish strategiyasidir. Fikrlash uchun ovqat. qo'shib qo'ydi 11 Yanvar 2017 ichida 12:00, muallif ForCripeSake, manba Barchangizga bu so'zlar va fikrlaringizni birgalikda joylashtirish uchun barcha vaqt va harakatlaringiz uchun tashakkur. Rasmni aniqlash uchun Konvensional NN ayniqsa qiziqaman. OpenCV kutubxonasida yuzni aniqlovchi misolni sinab ko'rdim, ammo u jiddiy moslamalarda yaxshi ekanligi aniqlandi. Neural Tarmoq patterni aniqlashda, ya'ni qattiq ob'ektlarda faqatgina yaxshi emasmi? qo'shib qo'ydi 10 Oktyabr 2012 ichida 07:36, muallif NinDjak, manba NN (yoki ushbu mavzu bo'yicha CNN) uning namunalarini aniqlash uchun chegaraga ega bo'lishining nazariy asoslari yo'q, lekin siz allaqachon kashf qilganingizdek, boshqalarga qaraganda muayyan muammolarni o'rganish osonroq. Mashinani o'rganishdagi ko'plab muammolar singari, masalan siz hal qilmoqchi bo'lgan muayyan turdagi muammoni hal qilish uchun sizning modelingizni biroz qisqartirishingiz kerak bo'ladi va NNlar bundan istisno emas. qo'shib qo'ydi 10 Oktyabr 2012 ichida 09:14, muallif Bob, manba Quyida tasvirni tasniflash kabi 2d grid muammosini hal qilish uchun NN ning tuzilishini yaxshiroq tuzish haqida qiziqarli bir maqola bor. axon.cs.byu.edu/~martinez/classes/ 678/Hujjatlar/science.pdf qo'shib qo'ydi 10 Oktyabr 2012 ichida 09:15, muallif Bob, manba Sizni nima chalkashtirib yubordi rasmda nima borligini bilib oladi. Tasvirdagi tasvir raqamli sifatida tasvir pikselidagi qadriyatlar bilan ifodalanadi. Agar rasmda rang namunasi olsangiz. Pikselning har biri uchta asosiy rangga - Qizil, Yashil va Ko'k ( RGB ) uchun uchta qiymatga ega bo'lishi mumkin. ( 10,50,100 ) bilan olingan piksel ( 40,50,100 ) bilan pikselga nisbatan "kamroq" ko'k rangli elementlarga ega ekanligini anglatadi. Shunday qilib, vahiyda birinchi piksel kam rangli ko'k rangli hududni ifodalaydi. Bu nerv tarmoqlari tasvirning bir joyidan/hududidan boshqasiga o'rganadigan va tasvirdagi "bilishni" tugatgan ma'lumotdir. Xuddi shu tamoyil neyron tarmoqqa kirish sifatida ishlatilishi mumkin bo'lgan boshqa tasvir xususiyatlariga (rangdan tashqari) ham qo'llaniladi. bu va bu va keyin bu , neyron tarmog'ining ishlashini o'rganish uchun. 2 qo'shib qo'ydi 06 Aprel 2018 ichida 11:55 muallif Gathide manba Mashinani o'rganishdagi barcha muammolar bir xil. Sizda poezd ma'lumotlari mavjud, ushbu ma'lumotlarni taqdim etadigan modelni o'rganing va siz ushbu ma'lumotni umumlashtirish, tasniflash, turli xil algoritmlarni o'rganish qobiliyatiga ega bo'lishingiz mumkin. Rasmni aniqlashda siz yana o'rganmoqchi bo'lgan tasvirlar to'plamiga egasiz.
Ushbu tasvirlar avvalo qayta ishlanib, ba'zi xususiyatlar piksellardan va ularning qiymatlaridan foydalanganingiz kabi tasvirlardan olingan (SIFT, SAVOL BAYRAMI kabi ko'plab rasm xususiyatlari sxemalari). Ushbu tasvirlarni ML algoritmiga (Neural Net, SVM yoki boshqalar) mos keladigan xususiyatlar vektorlari bilan bering. Modeli bilib oling Ma'lumotlarni tayyorlash bo'yicha etarlicha ko'riladigan obyektlarni aniqlash uchun ushbu modeldan foydalaning. Agar bir nechta narsani tan olishni istasangiz, har bir kishi uchun bir nechta tasniflash vositasidan foydalaning. 1 qo'shib qo'ydi 17 Oktyabr 2012 ichida 02:03 muallif wei manba Bundan tashqari, tasvirni aniqlash uchun konstruktiv neyron tarmoqlar uchun juda mashhurdir. Bu erda CNN ning soddalashtirilgan izohini topishingiz mumkin. Qisqacha aytganda, CNN tasvirida dastlab qirralar, shakllar, shakllar to'plamlari kabi xususiyatlarga bo'lingan. Keyin bu xususiyatlar «muntazam» to'liq bog'langan ko'p qatlamli neyron tarmoqqa (ko'p qatlamli perceptron) «oziqlangan». Qo'shimcha ma'lumot olish uchun, xususiyatlar xaritasi shaklida xususiyatlarni chiqarish uchun bir qator filtr qo'llaniladi. Filtr - haqiqiy tasvirga tatbiq etiladigan matritsa (boshida tasodifiy), asl tasvir matritsasi va filtri matritsasining nuqta mahsuloti hisoblab chiqiladi va natijalar umumlashtiriladi. Filtrni asl tasvir bo'ylab bir vaqtning o'zida bir piksel (qadam) harakat qiladi va xususiyat xaritasining matrisi to'ldiriladi. Har bir filtr uchun xususiyat xaritasi yaratiladi. Keyin har bir xususiyat xaritasida har bir piksel uchun RELU (Rectified Linear Unit) bilan chiziqli emas. Maksimal (), sum() yoki o'rtacha() funktsiyalaridan foydalangan holda to'plash konvolyutsiyadan keyin amalga oshiriladi. Nihoyat, bu tarzda chiqarilgan xususiyatlar asl tasvirning "kattalashtirilgan" qismlariga o'xshab ketadi. Ushbu funktsiyalar tarmoqqa ulangan har bir tarmoqqa o'tgandan keyin aniqlangan (barcha qurilmalar bir-biriga bog'langan) neyron tarmoq va har bir tasvir uchun ehtimolliklar (avtomobillar, daraxtlar va qayiqlar bo'yicha bizning tarmog'imizni o'rgatgan deb aytiladi) ichiga kiradi. Tarmoq tarbiyalanmoqda, ya'ni parametrlar (og'irliklar) va filtr matritsalari orqa taraflama (kamsitishlar xatoligini kamaytirish) orqali optimallashtiriladi. Tayyorlangan tarmoqqa yangi tasvir kiritilganda faqat tasvirni aniqlash uchun (agar tarmoq yetarli bo'lsa, ya'ni yetarli misollarni o'qib berdik va hokazo) 1 qo'shib qo'ydi 10 Fevral 2017 ichida 06:49 muallif Edwin manba Buni bilish yaxshiroqdir: AN (f) (x) yoki f (x, y, z, ..) funktsiyasini yoki u uchun juda ko'p funktsiyani yaratishi mumkin. Biroq, funktsiyalar ma'lumotlarni qanday tasniflashi mumkinligini bilish juda muhimdir ... tasniflashda muhim bo'lgan obyektlarning kuchlari yanada murakkab bo'lgan aloqalar mavjudligi va ular bunday zararli yoki tabiiy tarzda tasvirlanmagan, lekin til va tasniflovchi narsalar uchun muhimdir. Bunga erishish mumkin. 0 qo'shib qo'ydi 09 Iyun 2015 ichida 01:19 muallif ChrisW manba Axborot texnologiyalari (313 742) Matematika (25 376) Server boshqaruvi (10 435) Serverlar (7 018) Ubuntu (5 910) softwareengineering (4 086) Unix (3 298) Fizika (2 425) Elektronika (2 364) O'yin (2 178) Apple (2 164) Professional matematiklar (1 841) Jahon binolari (1 716) Dasturiy ta'minot (1 585) Rol o'yinlari (1 495) Xavfsizlik (1 414) Foydalanuvchi tajribasi (1 361) Ish joyi (1 360) Ta'lim (1 338) TeX, LaTeX, ConTeXt (1 261) Kodni ko'rib chiqish (877) Wolfram Mathematica (808) Statistika (762) Rasmlar (685) Magento (645) Pul (628) Geografiya (614) Drupal (602) Sayohat (592) Android (578) SharePoint (559) Uyni takomillashtirish (547) WordPress (541) O'yinni rivojlantirish (499) Ovqat pishirish (476) Ajablanarlisi (436) СodeGolf (380) Ma'lumotlar bazasi boshqaruvi (372) Musiqa (344) Grafika dizayni (339) Falsafa (256) Webmasterlar (241) Yozish (218) Veb-ilovalar (211) Velosipedlar (202) SalesForce (174) Mexanika (174) Aviatsiya (160) Filmlar (153) Informatika (135) Raspberry Pi (130) Tarix (110) Kimyo (102) Dastur sifati (102) Blender (85) Kosmik (79) Tarmoq muhandisligi (74) Taxta o'yinlar (73) emacs (72) Kantitativ moliya (71) Ma'lumot fani (70) Arduino (68) ExpressionEngine (68) CraftCMS (62) Ovoz (59) Muhandislik (59) Nazariy kompyuter fanlari (55) Bog`lanish (53) Iqtisodiyot (50) Hisoblash fanlari (46) Anime (43) Vi va Vim (43) Dasturiy tavsiyalar (39) Video (37) Fitness (31) Biologiya (30) Tridion (29) Signallarni qayta ishlash (25) Astronomiya (15) CivicCRM (11) Loyiha boshqaruvi (7) Ma'lumotlarni ochish (1) stats manba licensed under cc by-sa 3.0 with attribution Download 61.95 Kb. Do'stlaringiz bilan baham: 
|