Mạng lưới thần kinh hình thành (CNNN) là một lớp mô hình học sâu được sử dụng rộng rãi cho việc phân tích hình ảnh. Họ dùng các hoạt động toán học để tự động học các tính năng từ dữ liệu thị giác, cho phép các công việc phân loại, phát hiện và phân đoạn.

Các thao tác toán học lõi trong CNN

Các hoạt động cơ bản trong CNNs bao gồm các chức năng phối hợp, kích hoạt, kết nối và kết nối đầy đủ. Tiến trình tiến trình tiến trình bao gồm việc trượt bộ lọc qua ảnh nhập để tạo ra bản đồ tính năng, chụp các mẫu địa phương.

Các chức năng kích hoạt như ReLU giới thiệu tính không thẳng đứng, cho phép mạng học các mẫu phức tạp. Hồ bơi giảm kích thước không gian của bản đồ, giảm tải tính toán và nhấn mạnh tính năng trội.

Hình ảnh hóa quá trình tiến hóa của toán học

Hoạt động kết nối được diễn đạt theo toán học như:

Y (i,j) = BAR X(i+m, j+n) * K(m,n))

[FLT: 0] X [FLT: 1] là ảnh nhập, là hạt nhân hay bộ lọc, và y [ Bản đồ tính năng] kết quả . Tổng kết quả là trên kích thước hạt nhân.

Học và làm báp têm

Trong quá trình đào tạo, CNN tối ưu hóa trọng lượng lọc bằng cách sử dụng các thuật toán như gradient descent. Hàm mất cân đo sự khác biệt giữa dự đoán và nhãn thực tế, hướng dẫn điều chỉnh để tăng độ chính xác.

Sự trả lời tính toán chuyển tiếp của sự mất mát với mỗi tham số, cập nhật cân lặp lại để giảm thiểu lỗi.

Chương trình phân tích ảnh

CNN có hiệu quả trong nhiều công việc phân tích hình ảnh, bao gồm nhận diện đối tượng, phát hiện khuôn mặt và hình ảnh y học, khả năng học các tính năng phân cấp khiến chúng phù hợp với dữ liệu thị giác phức tạp.