1. Diễn ra Trong mạng neural, quy mô mạng neural tích chập (CNN) là 1 trong các quy mô để nhận dạng and phân loại hình ảnh. Trong số đó, định vị đối tượng người dùng and nhận dạng khuôn mặt là 1 trong số các ngành nghề mà CNN đc cần sử dụng rộng rãi. CNN phân loại hình ảnh bằng phương thức lấy 1 hình ảnh đầu vào, xử lý and phân loại nó theo những hạng mục ổn định (Ví dụ: Chó, Mèo, Hổ, …). Máy tính coi hình ảnh đầu vào là 1 mảng pixel and nó dựa dẫm vào độ nét của hình ảnh. Dựa trên độ nét hình ảnh, máy tính sẽ cảm thấy H x W x D (H: Độ cao, W: Bề rộng, D: Độ dày). Ví dụ: Ảnh là mảng ma trận RGB 6x6x3 (3 ở này là kinh phí RGB).
Về kỹ thuật, quy mô CNN để training and check, mỗi hình ảnh đầu vào sẽ chuyển nó qua 1 loạt những lớp tích chập với những bộ lọc (Kernals), tổng hợp lại những lớp đc kết nối đầy đủ (Full Connected) and dùng hàm Softmax để phân loại đối tượng người dùng có kinh phí xác suất giữa 0 and 1. Hình bên dưới này là cục bộ luồng CNN để xử lý hình ảnh đầu vào and phân loại những đối tượng người dùng dựa trên kinh phí.
2. Lớp tích chập – Convolution Layer
Tích chập là lớp trước tiên để trích xuất những công dụng từ hình ảnh đầu vào. Tích chập bảo trì mối quan hệ giữa những pixel bằng phương thức thăm dò những công dụng hình ảnh bằng phương thức cần sử dụng những ô vương nhỏ dại của dữ liệu đầu vào. Nó là 1 phép toán có 2 đầu vào như ma trận hình ảnh and 1 bộ lọc hoặc hạt nhân.
Xem xét 1 ma trận 5 x 5 có kinh phí pixel là 0 and 1. Ma trận bộ lọc 3 x 3 như hình dưới.
Sau đó, lớp tích chập của ma trận hình ảnh 5 x 5 nhân với ma trận bộ lọc 3 x 3 gọi là “Feature Bản đồ” như hình dưới.
Sự kết hợp của 1 hình ảnh với những bộ lọc khác nhau có thể tiến hành những vận động như bắt gặp cạnh, làm mờ and làm sắc nét bằng phương thức dùng những bộ lọc. Ví dụ bên dưới đây cho cảm thấy hình ảnh tích chập khác nhau sau khi dùng những Kernel khác nhau.
3. Bước nhảy – Stride Stride là số pixel căn sửa trên ma trận đầu vào. Khi stride là 1 thì ta dịch chuyển những kernel 1 pixel. Khi stride là 2 thì ta dịch chuyển những kernel đi 2 pixel and tiếp tục như thế.
Bài Viết: Tích chập là gì
Xem Ngay: Opportunity Là Gì – Nghĩa Của Từ Opportunity
Xem Ngay: Mall Là Gì – Nghĩa Của Từ Mall
Hình bên dưới là lớp tích chập vận động với stride là 2.
4. Đường viền – Padding Nhiều lúc kernel không phù hợp với hình ảnh đầu vào. Ta có 2 chọn lựa: Chèn thêm những số 0 vào 4 đường biên của hình ảnh (padding). Cắt bớt hình ảnh tại các điểm không phù hợp với kernel. 5. Hàm phi tuyến – ReLU ReLU viết tắt của Rectified Linear Unit, là 1 hàm phi tuyến. Với đầu ra là: ƒ (x) = max (0, x). Tại sao ReLU lại quan trọng: ReLU diễn ra tính phi tuyến trong ConvNet. Vì dữ liệu trong cộng đồng mà các bạn thăm dò là những kinh phí tuyến tính không âm.
Có 1 số hà phi tuyến khác như tanh, sigmoid cũng có thể đc cần sử dụng thay cho ReLU. Hầu như người ta thường áp dụng ReLU vì nó có hiệu suất cực tốt. 6. Lớp gộp – Pooling Layer Lớp pooling sẽ giảm sút số lượng tham số khi hình ảnh quá to. Khoảng không pooling còn đc gọi là lấy mẫu con hoặc lấy mẫu xuống làm giảm kích thước của mỗi bản đồ nhưng vẫn giữ lại thông tin quan trọng. Những pooling có thể có nhiều loại khác nhau: Max Pooling Average Pooling Sum Pooling Max pooling lấy phần tử to nhất từ ma trận đối tượng người dùng, hoặc lấy tổng trung bình. Tổng cục bộ những phần tử trong bản đồ gọi là sum pooling
7. Tóm tắt Đầu vào của lớp tích chập là hình ảnh Chọn đối số, dùng những bộ lọc với quá trình nhảy, padding nếu cần. Tiến hành tích chập cho hình ảnh and dùng hàm kích hoạt ReLU cho ma trận hình ảnh. Tiến hành Pooling để giảm kích thước cho hình ảnh. Thêm nhiều lớp tích chập sao cho phù hợp Thành lập đầu ra and dữ liệu đầu vào thành 1 lớp đc kết nối đầy đủ (Full Connected) Áp dụng hàm kích hoạt để tìm đối số phù hợp and phân loại hình ảnh.
Nguồn: sentayho.com.vn/discovery/sentayho.com.vn sentayho.com.vn/adeshpande3.github.io/A-Beginner”s-Guide-Lớn-Understanding-Convolutional-Neural-Networks/ sentayho.com.vn/2016/08/11/intuitive-explanation-convnets/ sentayho.com.vn/interns-explain-cnn-8a669d053f8b
Thể Loại: Giải bày Kiến Thức Cộng Đồng