Mạng lưới thần kinh tiến hóa (CNNNN) là một lớp học các mô hình học sâu chủ yếu được dùng để xử lý dữ liệu mạng lưới cấu trúc như ảnh. Chúng đã cách mạng hóa trường như thị lực máy tính và nhận diện mẫu bằng cách cho phép máy tính tự động học tính năng từ dữ liệu thô. Bài này khám phá các nền tảng lý thuyết và ứng dụng thực tế của CNN.

Name

CNN được lấy cảm hứng từ vỏ não thị giác sinh học. Chúng bao gồm các lớp thực hiện các hoạt động phối hợp, mà phát hiện các tính năng trong dữ liệu nhập. Các lớp này được theo sau bởi các lớp phân loại và các tính năng khác nhau, giảm chiều và giúp đỡ trong việc nắm bắt các lớp kết nối hoàn toàn các tính năng được chiết xuất cho các nhiệm vụ phân loại hoặc hồi quy.

Thành phần then chốt của kiến trúc CNN

Các thành phần chính bao gồm:

  • Các lớp cách mạng:) áp dụng bộ lọc để phát hiện các tính năng như cạnh và kết cấu.
  • Các lớp dùng để giảm tải tính toán bản đồ dưới đáy các bảng tính năng để giảm tải tính năng.
  • Các chức năng kích hoạt: giới thiệu phi tuyến tính, thường sử dụng ReLU.
  • Các lớp kết nối đa chiều: thực hiện lý luận cấp cao dựa trên tính năng chiết xuất.

Ứng dụng thực tế của CNN

Các CNN được sử dụng rộng rãi trong nhiều miền khác nhau. Chúng xuất sắc trong phân loại hình ảnh, phát hiện đối tượng, nhận diện khuôn mặt và phân tích hình ảnh y học. Khả năng tự động học những tính năng liên quan làm giảm nhu cầu về tính năng trích dẫn bằng tay, làm cho chúng có hiệu quả cao trong các công việc phức tạp.