خوارزمية | مبدأ تحقيق يبين الشكل تتحرك الشبكة العصبية ثنائي الأبعاد الإلتواء

الرقم: pixabay

الآن، يمكن وصف اتساع وأهمية التلافيف تطبيقات الشبكة العصبية في مجال الذكاء الاصطناعي كما بديهي. من أجل السماح الجميع لديهم فهم واضح لنوع من الالتواء، يمكنني محة سريعة عن أنواع مختلفة من التفاف والاستفادة من نتائجه. للتبسيط، وأنا قلق فقط عن الإلتواء ثنائي الأبعاد.

1، والالتواء (الإلتواءات)

أولا، نحن بحاجة إلى تحديد عدد قليل من طبقة المعلمات الإلتواء.

FIG 1 الأبعاد نواة الإلتواء من حجم 3، الخطوات من 1

حجم النواة: نواة حجم يحدد التفاف الرؤية. 3-- اختيار شيوعا هو ثنائي الأبعاد، أي 3X3 بكسل.

الخطوة: تحديد خطوة خطوة عندما تعبر الصورة النواة. وعلى الرغم من قيمته الافتراضية هي عادة 1، ولكن يمكننا استخدام خطوتين، على غرار الحد الأقصى للصورة عينة المجمعة.

الحشو: كيفية تحديد عينة معالجة إطار الحشو. A (نصف) عقد المكاني التفاف حجم الانتاج الحشو يساوي حجم المدخلات، وإذا كان جوهر أكبر من 1، وليس إضافة التفاف سيقضي بعض الحدود.

المدخلات والمخرجات قنوات: طبقة التفاف تتطلب كمية معينة من قنوات الإدخال (I)، وحساب عدد معين من قنوات الانتاج (O). يمكن حساب هذه المعالم من قبل طبقة المطلوبة I * O * K، حيث K هو عدد يساوي قيمة من النواة.

2، والتوسع في الإلتواء (المتوسعة الإلتواءات) (والإلتواء Mingelusi)

التوسع التفاف التفاف إدخال طبقة أخرى ويشار المعلمات نسبة التوسع. هذا ما يحدد قيمة التباعد بين النوى. معدل التوسع من جوهر 23X35X5 سيكون لها نفس مجال الرؤية النواة، بينما المعلمات فقط تسعة. تخيل باستخدام نواة 5X5 وإزالة كل صف وعمود التباعد.

FIG التفاف 2 ثنائي الأبعاد، ومعدل نمو 2-3 نوى، لا الحشو

فإنه يتيح هذا النظام لتوفير مجموعة واسعة من المراقبة على حساب نفسه الحسابية. التوسع في المناطق التفاف تقسيم الوقت الحقيقي شعبية خاصة. إذا كنت في حاجة الى عرض نطاق أكبر، وليس بوسع المزيد من نواة الالتواء أو أكثر، والنظر في استخدامه.

3، والتحول الإلتواء (منقول الإلتواءات) (المعروف أيضا باسم التفاف شريحة الجرح أو إزالة التفاف)

بعض الناس استخدام إزالة التفاف هذا الاسم، وهذا ليس ذات أهمية خاصة، لأنه ليس إزالة التفاف. لجعل الأمور أسوأ إزالة التفاف موجود، ولكن ليست شائعة في عمق المجال من الدراسة. يتم عكس عملية إزالة التفاف الفعلية الإلتواء. تخيل إدخال صورة إلى طبقة الإلتواء واحدة. الآن الإخراج إلى وضعها في الصندوق الأسود، ثم الصورة الأصلية هو الإخراج مرة أخرى. وكان الصندوق الأسود عملية إزالة التفاف. هذا هو التفاف الرياضي للطبقة انعكاس.

ونقلها التفاف بطريقة مماثلة لقرار المكاني ويفترض إزالة التفاف طبقة المنتجة هي نفسها. ومع ذلك، فإن العمليات الحسابية الفعلية التي يجري تنفيذها على قيم مختلفة. تبديل هو ينفذ التفاف التقليدية طبقة الإلتواء، لكنها ستستأنف المكاني تحويل.

FIG 3 التفاف الأبعاد لا الحشو، الخطوات 2 و 3 الأساسية

حول هذه النقطة قد تشعر بأنك الخلط، لذلك دعونا ننظر لفي المثال محددة. يتغذى الصورة إلى طبقة 5X5 الإلتواء. ومن المقرر تيرته إلى 2 حشوة المعوقين والنواة 3X3. والنتيجة هي صورة 2X2.

إذا كنا نريد أن عكس هذه العملية، ونحن بحاجة لمكافحة الرياضيات لتوليد تسعة القيم بكسل من كل من المدخلات لدينا. بعد ذلك، وضعنا وتيرة من 2 إلى اجتياز الناتج صورة. وسيكون هذا إزالة التفاف.

نقلها FIG 4 الإلتواء ثنائي الأبعاد لا الحشو، الخطوات 2 و 3 الأساسية

فإن هذه العمليات تبديل لا يكون الالتواء. والشيء الوحيد المشترك هو أنه يضمن أن الناتج سيكون صورة ل5X5، في حين لا يزال تنفيذ عملية التفاف العادية. ولتحقيق ذلك، نحن بحاجة إلى أداء بعض لطيفة الحشو على المدخلات.

كما يمكنك أن تتخيل الآن، هذه الخطوة لا عكس عملية من فوق. باستثناء ما لا يقل عن القيمة.

أنها ليست سوى في الماضي على أساس عملية القرار، وإعادة الإعمار التفاف المكانية. هذا قد لا يكون انعكاس الرياضي، ولكن للهندسة المعمارية التشفير، فك الرموز، فإنه لا يزال من المفيد جدا. وبهذه الطريقة، يمكننا توسيع نطاق مزيج صورة convolved، بدلا من عمليتين منفصلتين بشكل منفصل.

4، والتفاف فصل (مفصول الإلتواءات)

في التفاف انفصال، ويمكن تقسيم أننا العملية الأساسية إلى خطوات متعددة. نحن التفاف ص = التحويل (س، ك)، حيث ص هو إخراج الصورة، x هو صورة المدخلات، ك هو النواة. هذه الخطوة هي في غاية البساطة. المقبل، ونحن نفترض يمكن حساب ك بالمعادلة التالية: ك = k1.dot (K2). وهذا جعله التفاف فصل، لأننا لا نستطيع القيام الإلتواء ثنائي الأبعاد من K1 و K2 لتحقيق نفس النتائج، بدلا من ثنائي الأبعاد ك التفاف القيام به.

مرشحات FIG 5 سوبل X و Y

نحن نواة عادة سوبل لمعالجة الصور، على سبيل المثال. يمكنك الحصول على نفس النواة عن طريق ضرب ناقلات و.T. عند تنفيذ نفس العملية، ما عليك سوى ستة بدلا من تسعة المعلمات.

في المثال أعلاه يظهر ما يسمى الفضاء التفاف فصل، بقدر ما أعرف، وهذا ليس في التعلم العمق. أريد فقط للتأكد عندما حاول آخرون للعمل، سوف لا يتم الخلط بين ذلك. في الشبكة العصبية، ونحن عادة استخدام ما يسمى عمق التفاف فصل الشبكة العصبية.

هذا يؤدي إلى التفاف المكاني، مع الحفاظ على قنوات منفصلة، ثم عمق الإلتواء. في رأيي، من أجل تعميق الفهم، ويمكن استخدامه كمثال نموذجي.

لنفترض أن لدينا التفاف 3X3 في طبقة على 16 قنوات الإدخال و 32 قنوات الانتاج. ومن تحدث في كل القنوات 16 من نواة 3X332 واجتاز لإنتاج مميز 512 (16X32) رسم الخرائط. المقبل، ونحن معين لتجميع مبلغ كبير من السمات المميزة في كل خريطة قناة الإدخال. منذ يمكننا القيام بذلك 32 مرة، حتى نحصل على النتيجة المرجوة قناة 32.

لذلك، على نفس المثال، وعمق الأداء التفاف فصل وكيف هو؟ نحن اجتياز 16 قنوات، كل منها نواة 3X3، ميزة خريطة 16 يمكن أن تعطى. الآن، قبل القيام بأية عمليات الدمج، فإننا سوف تجتاز خرائط 16 ميزة، تحتوي كل منها على 321X1 الالتواء، وبعد ذلك فقط من خلال هذه البداية مضيفا. هذا يؤدي إلى ما سبق، وصفت 4608 (16x32x3x3) المقابل لل(16x3x3 + 16x32x1x1) معلمات المعلمات 656.

هذا المثال هو تطبيق خاص من عمق التفاف فصل، حيث المضاعف هو ما يسمى عميق. هذا هو إلى حد بعيد الأكثر شيوعا من هذه الإعدادات طبقة.

ونحن نفعل ذلك لأن مساحة فرضية وعمق المعلومات يمكن أن تنفصل. وعلى سبيل المقارنة، فإن أداء نموذج Xception، يمكنك أن تجد هذه النظرية تبدو صالحة. في الواقع، يمكن أيضا استخدام جهاز الهاتف النقال في عمق التفاف فصل. لأن المعلمات الخاصة بهم يمكن الاستفادة منها بشكل فعال.

5، ملخص

وحتى الآن، فإنه يمكن أن يقال عن إدخال نوع التفاف شبكة سيأتي إلى نهايته. آمل أن تساعدك نظرة سريعة على هذه المسألة. وفي اليوم التالي، ونحن سوف تظهر لك بعض الرسوم المتحركة الإلتواء لتساعدك على القيام بهذه الخطوة فهم عميق.