Table of Contents
شبکه های عصبی کانولو (CNNs) یک کلاس از مدل های یادگیری عمیق هستند که عمدتا برای تجزیه و تحلیل داده های بصری مورد استفاده قرار می گیرند، آنها به طور خودکار طراحی شده اند و به طور سازگار سلسله مراتب فضایی از ویژگی های تصاویر ورودی را یاد می گیرند. سی ان در صنایع مختلف به دلیل دقت بالا و کارایی در وظایف تشخیص تصویر ضروری شده است.
نظریه شبکه های عصبی کانولو
سی ان شامل لایه های متعدد، از جمله لایه های همجوش، لایه های استخر و لایه های کاملا متصل است. لایه های کانولوی فیلترها را برای داده های ورودی برای تشخیص ویژگی هایی مانند لبه ها، بافت ها و شکل های استخری کاهش ابعاد فضایی، کمک به کاهش بار محاسباتی و کنترل لایه های کاملا متصل اعمال می کنند.
محاسبه در سی ان
محاسبات هسته ای در CNN شامل عملیات همگام سازی است، جایی که فیلترها بر روی داده های ورودی برای تولید نقشه های ویژگی می لغزند. عملیات ریاضی یک محصول dot بین وزنه های فیلتر و بخش ورودی است. استیدر و پارامترهای padding بر اندازه نقشه های ویژگی خروجی تاثیر می گذارند. فعال سازی توابع مانند ReLU معرفی غیر خطی، فعال سازی شبکه را قادر می سازد تا الگوهای پیچیده را یاد بگیرد.
صنعت استفاده از کیس
سی ان ها به طور گسترده در صنایع مختلف استفاده می شوند.در مراقبت های بهداشتی، آنها در تشخیص تصویر پزشکی کمک می کنند، مانند تشخیص تومورها در اسکن MRI، در خودرو، سیستم های بینایی خودرو مستقل CNN برای تشخیص و ناوبری شی استفاده می کنند.