شبكة لى فنغ ملاحظة: هذه المقالة التي جمعتها التكنولوجيا منذ توبو "تحليل الصور الطبية مع ديب التعلم PART2" هذا هو "تحليل الصور الطبية (أ) تحت التعلم العميق" الذي نشر مؤخرا مقالة المتابعة. شبكة لى فنغ لاول مرة الحصرية.

"الصور الطبية تحليل دراسة معمقة" في المقال الأول في هذه السلسلة، ونحن نقدم بعض من أساسيات استخدام مكتبة برمجية مفتوحة للرؤية الحاسوبية وDICOM صورة لعملية معالجة الصور. في هذه الورقة، ونحن "التفاف الشبكات العصبية" التعلم من وجهة نظر مناقشات متعمقة. في الجزء الثالث من هذه السلسلة، سوف نستخدم قاعدة البيانات Kaggle من سرطان الرئة، معلومات مفتاح إعادة النظر ومحتوى صورة DICOM سرطان الرئة وسرطان الرئة واستخدام كيرا تطوير نموذج تنبؤي.

• "الإلتواء الشبكة العصبية" (CNN)

قبل فهم "التفاف الشبكة العصبية"، يجب علينا أولا معرفة ما "الإلتواء".

ما هو "التفاف"؟

تعريف ويكيبيديا من "التفاف" هو: عملية حسابية في وظيفتين. والرياضيات لديهم وظيفة أخرى غير وظيفة الأصلي اللذين غالبا ما ينظر إليه على أنه نسخة معدلة من واحدة من الوظيفة الأصلية اثنين، في الواقع، هو نقطة من هذين الوظيفة الأصلية تضاعفت ركوب الخيل نقطة. يمكننا ببساطة أن يفهم على أنه وظيفة ثالثة "انزلاق وظيفة نافذة على مصفوفة".

المصدر: deeplearning.stanford.edu/wiki/index.php/Feature_extraction_using_convolution

كما هو مبين أعلاه، يتم عرض نافذة انزلاق باللون الأخضر، نافذة انزلاق الأحمر هو مصفوفة، والنتيجة هي مصفوفة مع التفاف من خصائص الانتاج. FIG انتاجها أقل هو التفاف اثنين من البقول مربع.

المصدر: ويكيبيديا

جيريمي هوارد في كتابه MOOC دورات، واستخدام جداول البيانات إكسل تفسيرا جيدا "، الإلتواء." مصفوفتين الناتج التفاف f و g هي الطبقة الأولى من التفاف مصفوفة الثالث من هذه المصفوفات اثنين هو نقطة النتائج الضرب. نقطة تكاثر هذه المصفوفات اثنين هو "مصفوفة العددية" هو مبين أدناه، هي وظيفة رياضية للمصدر.

نقطة ضرب اثنين من المصفوفات النتائج

مثل جيرمي، لدينا للاستفادة من جداول البيانات إكسل. ندخل المصفوفة هي وظيفة و، نافذة انزلاق هي وظيفة مصفوفة ز. ويرد في الجدول أدناه من FIG مصفوفتين نقطتين من قبل وظيفة المنتج والنتيجة:

الإلتواء من اثنين من المصفوفات

وبعد ذلك، وضعنا هذا القانون استخدام حرف A في الصورة. كما نعلم جميعا، وتتكون كل صور بكسل. وبالتالي فإننا و هي مصفوفة المدخلات "A"، وانزلاق ظيفة نافذة باعتبارها تعسفية مصفوفة ز. ثم، وحصلنا على نقطة من الوظيفتين تتضاعف النتائج، كما هو مبين أدناه:

ما هو "التفاف الشبكة العصبية"؟

المصدر: cs231n.github.io/convolutional-networks/

في رأيي، وهو التفاف بسيط الشبكة العصبية CNN هو سلسلة من جميع الطبقات. كل طبقة لها وظيفة محددة. كل طبقة هي التفاف ثلاثي الأبعاد، لذلك استخدمنا كمقياس لحجم. أبعد من ذلك، فإن كل طبقة التلافيف الشبكة العصبية من قبل اختلاف وظيفة لتنشيط مبلغ التحويل آخر، يتم استدعاء الدالة "نشطة" أو "وظيفة التحول."

"الشبكة العصبية التلافيف" تتضمن كيانات مختلفة هي: طبقة المدخلات، مرشح (أو النواة)، طبقة التلافيف، الطبقة النشطة، وتراكم طبقة، طبقة دفعة واحدة. على الرغم من أن الجمع بين ترتيب هذه الطبقات تختلف، ولكن هناك بعض القوانين في التباديل المختلفة، يوفر لنا مع بنية دراسة متعمقة مختلفة. طبقة الإدخال: بشكل عام، ونحن ندخل إلى "الشبكة العصبية التلافيف" هو عادة مجموعة ن الأبعاد. إذا كانت صورة، لدينا قناة لون ثلاثي الأبعاد المدخلات - الطول والعرض والارتفاع.

المصدر:

مرشح (أو النواة) : كما هو مبين أدناه، مرشح أو كل نواة لموقف صورة الشريحة، بكسل جديد كمبلغ المرجح لكل بكسل تحسب. كما في المثال أعلاه جداول البيانات إكسل، ونحن نتحرك إلى تصفية مصفوفة ز و في المدخلات.

المصدر: intellabs.github.io/RiverTrail/tutorial/

طبقة الإلتواء : نقطية المدخلات ضرب المصفوفات من نتائج جديدة ومعا العمل على إنشاء نواة هو "مصفوفة التفاف"، المعروف أيضا باسم "طبقة الإلتواء."

المصدر: https://docs.gimp.org/en/plug-in-convmatrix.html

أدناه هو الرسم البياني رؤية واضحة للغاية يمكن أن تساعدك على فهم أفضل لعملية محددة لملء الإلتواء والإلتواء نقلها:

المصدر: https://github.com/vdumoulin/conv_arithmetic

الطبقة النشطة : "وظيفة التنشيط" يمكن تقسيمها إلى فئتين - "المشبعة وظيفة تفعيل" و "وظيفة التنشيط غير المشبعة."

تان هو السيني و"وظيفة تفعيل المشبعة" ويشبهه وغير ReLU "وظيفة التنشيط غير المشبعة." استخدام "غير المشبعة وظيفة تفعيل" في الاستفادة من أمرين:

1. أولا، "وظيفة التنشيط غير المشبعة" لحل ما يسمى ب "التدرج تختفي" المشكلة.

2. ثانيا، فإنه يمكن تسريع التقارب.

تتطلب وظيفة السيني مساهمة قيمتها الحقيقية مضغوط إلى مجموعة

(س) = 1 / (1 + إكسب (-x))

تان وظيفة تحتاج إلى التحدث إلى إدخال الحقيقي قيمتها مضغوط مجموعة

تان (س) = 2 (2X) - 1

ReLU

وظيفة ReLU ممثلة في "وسائل تصحيح الخطية"، هو أكبر مع وظيفة التفاف الصورة المدخلة س (س، س). وظيفة ReLU داخل المصفوفة س يتم تعيين كل القيم السلبية إلى الصفر، والقيم الباقية دون تغيير. يتم تنفيذ ReLU وظيفة حساب بعد الإلتواء، وبالتالي فإنه تان وظيفة، مثل وظيفة السيني، تنتمي إلى "وظيفة التنشيط غير الخطية." واقترح هذا المحتوى لأول مرة من قبل جيف هينتون.

ELUs

ELUs هو "العناصر الخطية الأسية"، فإنه يحاول تنشيط وظيفة من متوسط قريبة من الصفر، وبالتالي تسريع سرعة التعلم. كما يأتي من خلال الهوية لتجنب المشاكل يختفي التدرج. ووفقا لبعض الدراسات، ELUs دقة تصنيف أعلى من ReLUs. وفيما يلي وصفا مفصلا ELU تفاصيل عن:

المصدر:

المصدر: ويكيبيديا

راشح ReLUs

ReLU كلها سلبية يتم تعيين القيم إلى الصفر، على العكس من ذلك، وتعطى راشح ReLU إلى غير صفرية لجميع سلبية المنحدر. راشح ReLU وظيفة التنشيط هو النموذج الصوتية (2013) أول من اقترح. حسابيا نحن يمكن التعبير عنها على النحو التالي:

المصدر: "شبكات التفاف تقييم التجريبية من وظيفة تفعيل المعدل"

الشكل أعلاه بالنيابة معلمة ثابتة في (1، + ) الشوط الاول.

حدودي وحدة التصحيح الخطي (Prelu)

يمكن أن ينظر إليه PReLU باعتباره البديل من راشح ReLU. في PReLU، يتم تعيين المنحدر من جزء سلبية وفقا للبيانات، وليس محددة مسبقا. يقول المؤلفان في تصنيف ImageNet (2015، Russakovsky الخ)، PReLU هو المفتاح وراء مستويات تصنيف الإنسان.

عشوائية التصحيح الخطي وحدة (RReLU)

"وحدة التصحيح الخطي عشوائية" RReLU هو البديل من راشح ReLU. في RReLU، المنحدر عشوائي سلبية في التدريب، وبعد الاختبار يصبح ثابتة حتى. أبرز RReLU ذلك، في الدورة التدريبية، من توزيع AJI U (I، ش) في قيمة عشوائية بشكل موحد. رسميا، نحصل على النتائج التالية:

FIG خفض نسبيا ReLU، راشح ReLU، PReLU وRReLU من:

المصدر: الشبكي: //arxiv.org/pdf/1505.00853.pdf

PReLU في البيانات يتم تغيير عاي. راشح ReLU يتم إصلاح بالنيابة، RReLU في فضائية الجزيرة هي ضمن نطاق معين من قيمة عشوائية، سيتم إصلاح هذه القيمة في جلسة اختبار.

وظيفة تفعيل الضوضاء

وتشمل هذه وظيفة التنشيط الرقم ضجيج جاوس أدناه يمكن أن تساعدك على فهم "الضوضاء" هو كيف الجمع بين وظيفة التنشيط:

المصدر: ويكيبيديا

طبقة تراكم

موضوعية "طبقة تراكم" هو من خلال مصفوفة الفضاء مدبب، وتقليل عدد حسابات المعلمات داخل الشبكة، ثم السيطرة overfitting. "طبقة تراكم" بشكل مستقل في المدخلات، واستخدام أقصى قيمة أو متوسط قيمة عملية لضبط مصفوفة المدخلات الفضاء. أكثر شكل شائع من "طبقة تراكم" هو مع يتم تطبيق "طبقة تراكم" مرشح 2X2 إلى عينتين في المدخلات. في هذا النموذج، فإن عملية اتخاذ أقصى قيمة في كل مرة الكمية القصوى تتجاوز أربعة، يبقى البعد العمق دون تغيير. أكثر شيوعا "طبقة تراكم" كما هو مبين أدناه:

المصدر:

المصدر: https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/

ملاحظة: هنا لدينا نافذة 2 2 تتحرك خليتين، ثم أخذ قيمة الحد الأقصى من كل منطقة.

دفعة طبقة موحدة

"تطبيع دفعة" كل طبقة الانتقالية، وظيفة التنشيط، التي تضم وسيلة فعالة لتوحيد. عمليات "دفعة التوحيد" هما المزايا الرئيسية:

1. إضافة "المعايير دفعة" في نموذج يمكن أن يسرع سرعة التدريب

2. عملية موحدة يقلل إلى حد كبير من القيود التي تؤثر على عدد قليل من المدخلات الطرفية للتدريب، مع الحد من وقوع أكثر من المناسب.

جيريمي شبكة الفئة المفتوحة هناك المزيد من التفاصيل حول "توحيد دفعة" ل.

طبقة اتصال كاملة

"طبقة اتصال الكاملة" هي "متعددة الطبقات المستقبلات" التقليدية التي يستخدمها المستقبلات "مرنة وظيفة أقصى تفعيل" في طبقة الإنتاج. وكما يوحي اسمها، "مرتبطة ارتباطا كاملا" يعني أن كل طبقة من الخلايا العصبية وترتبط مع بعضها الخلايا العصبية في طبقة القادمة. A "مرنة وظيفة الأقصى" وظيفة منطق التعميم، فإن وظيفة يكون ناقلا-K الأبعاد من القيمة الحقيقية التعسفية في نطاق القيمة الحقيقية بين ناقلات-K الأبعاد (0،1).

المصدر: ويكيبيديا

"مرنة وظيفة أقصى تفعيل" يستخدم عادة للطبقة نهائية مرتبطة ارتباطا كاملا، واحتمال الحصول على القيم الحقيقية بين 0 و 1. الآن، لدينا طبقات مختلفة "التفاف الشبكة العصبية" نعلم بالفعل، ثم مع هذه المعرفة، ونحن يمكن أن يكون الكشف اللازمة دراسة متعمقة سرطان الرئة العمارة. دراسة متعمقة حول العمارة الكشف عن سرطان الرئة، وسوف نناقش في المقال القادم.