Aplikasi pengundian dan pengisian rangkaian saraf konvolusi

Convolutional neural network (CNN) ialah rangkaian neural pembelajaran mendalam yang digunakan secara meluas dalam pengecaman imej, pemprosesan bahasa semula jadi, pengecaman pertuturan dan bidang lain. Lapisan konvolusi ialah lapisan paling penting dalam CNN, dan ciri imej boleh diekstrak dengan berkesan melalui operasi lilitan. Dalam lapisan konvolusi, pengundian dan padding adalah teknik yang biasa digunakan yang boleh meningkatkan prestasi dan kestabilan lapisan konvolusi. Melalui operasi pengundian (pengumpulan), saiz peta ciri dapat dikurangkan dan kerumitan model dapat dikurangkan sambil mengekalkan maklumat ciri penting. Operasi padding boleh menambah piksel tambahan di sekeliling tepi imej input supaya saiz peta ciri output adalah sama dengan input, mengelakkan kehilangan maklumat. Aplikasi teknologi ini selanjutnya disebut

1. Undian

Polling ialah salah satu operasi yang biasa digunakan dalam CNN, yang mempercepatkan pengiraan dengan mengurangkan saiz peta ciri sambil mengekalkan ciri penting. Biasanya dilakukan selepas operasi lilitan, ia boleh mengurangkan dimensi spatial peta ciri dan mengurangkan jumlah pengiraan dan bilangan parameter model. Operasi pengundian biasa termasuk pengumpulan maksimum dan pengumpulan purata.

Pengumpulan maksimum ialah operasi biasa yang memperoleh hasil pengumpulan dengan memilih nilai ciri terbesar dalam setiap kawasan pengumpulan. Biasanya, pengumpulan maksimum menggunakan kawasan pengumpulan 2x2 dan langkah 2. Operasi ini boleh mengekalkan ciri yang paling penting dalam peta ciri, sambil mengurangkan saiz peta ciri dan meningkatkan kecekapan pengiraan dan keupayaan generalisasi model.

Pengumpulan purata ialah operasi pengundian biasa, yang memperoleh hasil pengumpulan setiap kawasan pengumpulan dengan mengira nilai purata nilai ciri dalam kawasan tersebut. Pengumpulan purata mempunyai beberapa kelebihan berbanding pengumpulan maksimum. Pertama, ia boleh melancarkan bunyi dalam peta ciri dan mengurangkan kesan hingar pada perwakilan ciri akhir. Kedua, pengumpulan purata juga boleh mengurangkan saiz peta ciri, dengan itu mengurangkan kos pengkomputeran dan penyimpanan. Walau bagaimanapun, pengumpulan purata juga mempunyai beberapa kelemahan. Dalam sesetengah kes, ia mungkin kehilangan beberapa maklumat ciri penting kerana pengumpulan purata meratakan nilai ciri di seluruh rantau dan mungkin tidak menangkap perubahan halus dalam ciri dengan tepat. Oleh itu, apabila mereka bentuk dewa lilitan

2. Padding

Padding ialah teknik yang biasa digunakan dalam CNN, yang boleh menambah bulatan piksel tambahan di sekeliling peta ciri input, dengan itu meningkatkan saiz peta ciri. Operasi pengisian biasanya dilakukan sebelum operasi lilitan Ia boleh menyelesaikan masalah kehilangan maklumat tepi peta ciri dan juga boleh mengawal saiz keluaran lapisan lilitan.

Operasi padding biasanya merangkumi dua kaedah: padding sifar dan padding sempadan.

Pelapik sifar ialah kaedah pelapik biasa yang menambah bulatan piksel dengan nilai sifar di sekeliling peta ciri input. Pelapik sifar boleh mengekalkan maklumat tepi dalam peta ciri dan juga boleh mengawal saiz keluaran lapisan konvolusi. Dalam operasi lilitan, padding sifar biasanya digunakan untuk memastikan saiz peta ciri adalah sama dengan saiz kernel lilitan, dengan itu menjadikan operasi lilitan lebih mudah.

Pelapik sempadan ialah satu lagi kaedah pelapik biasa, yang menambahkan bulatan piksel dengan nilai sempadan di sekeliling peta ciri input. Pengisian sempadan boleh mengekalkan maklumat tepi dalam peta ciri dan juga boleh mengawal saiz keluaran lapisan konvolusi. Dalam sesetengah senario aplikasi khas, pelapik sempadan mungkin lebih sesuai daripada pelapik sifar.

Secara umum, pengundian dan pengisian ialah dua teknik yang biasa digunakan dalam CNN Ia boleh membantu CNN mengekstrak ciri yang lebih tepat dan berguna serta meningkatkan ketepatan dan keupayaan generalisasi model. Pada masa yang sama, teknologi ini juga perlu dipilih dan diselaraskan mengikut keadaan aplikasi sebenar untuk mencapai hasil yang optimum.

Atas ialah kandungan terperinci Aplikasi pengundian dan pengisian rangkaian saraf konvolusi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!