Revolutional Networks (CNN) ถูกใช้อย่างแพร่หลายในกระบวนการประมวลผลและการจดจําภาพ การเข้าใจการคํานวณและวิธีทําให้ผลงานของพวกเขามีประสิทธิภาพมากที่สุด
การ คํานวณ พื้น ฐาน ใน CNN
การคํานวณใน CNNC ส่วนใหญ่จะเกี่ยวข้องกับ convolution ซึ่งจะปรับใช้ตัวกรองข้อมูลการนําเข้าไปใช้แตกองค์ประกอบ พารามิเตอร์สําคัญนี้รวมขนาดตัวกรอง, ความก้าวหน้า, การวางแผ่น, และขนาดการรับข้อมูล การส่งออกของชั้น contvolution สามารถคํานวณได้โดยใช้สูตร:
[FLT: 0] ขนาดนอกระบบ = (ขนาดบรรจุ - ขนาดตัวกรอง + 2 * การปัดแผ่น) / สไตรซ์ + 1
การคํานวณนี้ จะกําหนดว่าหน่วยของมิติพื้นที่มีการเปลี่ยนแปลงอย่างไร หลังจากแต่ละปฏิบัติการ convolution ส่งผลให้ค่าความลึกและการคํานวณของเครือข่ายลดลง
เคล็ดลับการตั้งให้โปรแกรม CNN
การ มอง ใน แง่ ดี เกี่ยว ข้อง กับ การ ปรับ เปลี่ยน ตัวแปร และ เทคนิค ต่าง ๆ เพื่อ ปรับ ปรุง ความ ถูก ต้อง และ ประสิทธิภาพ.
- [FLT: 0] ใช้ขนาดตัวกรองที่เหมาะสม: กรองขนาดเล็กเช่น 3x3 เป็นรายการทั่วไปสําหรับจับรายละเอียดละเอียด
- [FLT: 0] สืบค้นระดับชั้นชั้นชั้น: การลงสระแมกซ์ลดต้นทุนด้านพื้นที่และการคํานวณ
- [FLT: 0] การปรับสภาพให้เป็นปกติ: เทคโนโลยีแบบชุดแบบปรับให้เป็นปกติ
- [FLT: 0] ปลดปล่อยการปล่อยออกมา: การปล่อยออกมาป้องกันการทําให้เซลล์สมองเสื่อมอย่างสุ่ม ระหว่างการฝึก
- [FLT: 0] Adcyleing rate: อัตราการเรียนรู้ที่เหมาะสมเร่งความเร็วเข้าหากัน (พ.ศ.
ตัว อย่าง การ คํานวณ ที่ ใช้ ได้ จริง
ลองพิจารณาภาพนําเข้าขนาด 64x64 พิกเซล โดยมีตัวกรอง 3x3 ตัว, ความคืบหน้าของ 1, และคํานวณค่า 1. ขนาดการแสดงผลคํานวณเป็น:
[FLT: 0] ขนาดนอกระบบ = (64–3+2 * 1) 1 + 1 = 64
นี่ส่งผลให้มีแผนที่แสดงคุณสมบัติขนาด 64x64 รักษามิติพื้นโลกเดิมไว้ ในขณะที่ทําการสกัดคุณสมบัติต่าง ๆ