شبکه های عصبی کانولو (CNNs) یک کلاس از مدل های یادگیری عمیق هستند که عمدتا برای پردازش داده های شبکه ای ساختار یافته مانند تصاویر استفاده می شود.آنها زمینه هایی مانند بینایی کامپیوتر و شناخت الگو را با ماشین های فعال برای یادگیری خودکار ویژگی ها از داده های خام دارند.این مقاله به بررسی پایه های نظری و کاربردهای عملی CNNs.

مفاهیم بنیادی سی ان

سی ان ها از قشر بینایی بیولوژیکی الهام گرفته شده اند، آنها از لایه هایی تشکیل شده اند که عملیات های همجوشی را انجام می دهند، که ویژگی های محلی را در داده های ورودی تشخیص می دهند، این لایه ها با لایه های جمع آوری شده که ابعاد را کاهش می دهند و به ثبت لایه های کاملا متصل شده در پایان کمک می کنند تا ویژگی های استخراج شده برای طبقه بندی یا وظایف رگرسیون را تفسیر کنند.

اجزای کلیدی معماری CNN

اجزای اصلی شامل:

  • لایه های تکامل یافته: [FLT 1] فیلترهایی را برای تشخیص ویژگی هایی مانند لبه ها و بافت ها اعمال کنید.
  • [[۱] [۱۰] لایه های ریزه: [[۱۰] [۱۰] [۱] [۱۰] [۱] [۱] [۱] [۱۰] [۱]] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۳] [۱] [۲] [۵] [۲] [۵] [۵] [۱] [۱] [۲] [۳] [۱] [۵] [۳] [۲] [۱] [۱] [۱]] [۱]]]] [۳] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۱] [۳] [۳] [۱] [۱] [۱] [۱] [
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱]] [۱]] [۱] [۱] [۱] [۱]] [۱]] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۱] [۱] [۱] [۱] [۱]] [۱] [۳] [۱] [۱]] [۱]]]] [۱]]]] [۳] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۱] [۳] [۳] [۳] [۱] [۱] [۱] [
  • [[۱] [۱۰] لایه های متصل به کامل: [[۱۰] [۱۰] [۱]] استدلال سطح بالا بر اساس ویژگی های استخراج شده انجام دهید.

برنامه های کاربردی CNN

سی ان ها به طور گسترده ای در دامنه های مختلف استفاده می شوند.آنها در طبقه بندی تصویر، تشخیص شی، تشخیص چهره و تجزیه و تحلیل تصویر پزشکی برتری دارند.توانایی آنها برای یادگیری ویژگی های مرتبط نیاز به استخراج دستی را کاهش می دهد و آنها را برای وظایف پیچیده بسیار موثر می کند.