സിഎൻഎൻ

കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്

സിഎൻഎൻ എന്നതിന്റെ ചുരുക്കപ്പേരാണ് കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്.

എന്താണ് കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്?

ചിത്രങ്ങളും വീഡിയോകളും പോലുള്ള വിഷ്വൽ ഡാറ്റ വിശകലനം ചെയ്യുന്നതിനും പ്രോസസ്സ് ചെയ്യുന്നതിനും പ്രാഥമികമായി ഉപയോഗിക്കുന്ന ആഴത്തിലുള്ള പഠന മാതൃകകളുടെ ഒരു ക്ലാസ്. വിഷ്വൽ ഇൻപുട്ടുകളിലെ പാറ്റേണുകൾ മനുഷ്യന്റെ വിഷ്വൽ കോർട്ടക്സ് പ്രോസസ്സ് ചെയ്യുകയും തിരിച്ചറിയുകയും ചെയ്യുന്ന രീതിയെ അനുകരിക്കുന്നതിനാണ് അവ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. ഇമേജ് വർഗ്ഗീകരണം, ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ, സെഗ്മെന്റേഷൻ തുടങ്ങിയ ജോലികളിൽ CNN-കൾ പ്രത്യേകിച്ചും ഫലപ്രദമാണ്.

ഒരു CNN-ന്റെ വാസ്തുവിദ്യ സാധാരണയായി നിരവധി പാളികൾ ഉൾക്കൊള്ളുന്നു, ഇനിപ്പറയുന്നവ ഉൾപ്പെടെ:

  1. ഇൻപുട്ട് ലെയർ: ഈ ലെയറിന് റോ ഇമേജ് ഡാറ്റ ലഭിക്കുന്നു, പലപ്പോഴും പിക്സൽ മൂല്യങ്ങളുടെ മാട്രിക്സ് ആയി പ്രതിനിധീകരിക്കുന്നു.
  2. കൺവല്യൂഷണൽ പാളികൾ: ഇൻപുട്ട് ഡാറ്റയിലേക്ക് ഒന്നിലധികം ഫിൽട്ടറുകൾ (കേർണലുകൾ എന്നും വിളിക്കുന്നു) പ്രയോഗിക്കുന്നത് ഉൾപ്പെടുന്ന കൺവല്യൂഷൻ ഓപ്പറേഷൻ ഈ ലെയറുകൾ നിർവഹിക്കുന്നു. ചിത്രത്തിനുള്ളിലെ അരികുകൾ, ടെക്സ്ചറുകൾ, ആകൃതികൾ എന്നിവ പോലുള്ള സവിശേഷതകൾ കണ്ടെത്താൻ ഫിൽട്ടറുകൾ സഹായിക്കുന്നു. വ്യത്യസ്ത സ്പേഷ്യൽ സ്കെയിലുകളിലും ഓറിയന്റേഷനുകളിലും തിരിച്ചറിഞ്ഞ സവിശേഷതകളെ പ്രതിനിധീകരിക്കുന്ന ഫീച്ചർ മാപ്പുകളുടെ ഒരു കൂട്ടമാണ് കൺവ്യൂഷണൽ ലെയറിന്റെ ഔട്ട്പുട്ട്.
  3. സജീവമാക്കൽ പാളികൾ: ഈ ലെയറുകൾ ഒരു നോൺ-ലീനിയർ ആക്ടിവേഷൻ ഫംഗ്ഷൻ പ്രയോഗിക്കുന്നു, ഉദാഹരണത്തിന്, റെക്റ്റിഫൈഡ് ലീനിയർ യൂണിറ്റ് (റെലു), കൺവല്യൂഷണൽ ലെയറുകളുടെ ഔട്ട്പുട്ടിലേക്ക്. ആക്ടിവേഷൻ ഫംഗ്‌ഷൻ നോൺ-ലീനിയറിറ്റി അവതരിപ്പിക്കുന്നു, ഡാറ്റയിലെ സങ്കീർണ്ണമായ പാറ്റേണുകളും ബന്ധങ്ങളും പഠിക്കാൻ CNN-നെ അനുവദിക്കുന്നു.
  4. പൂളിംഗ് പാളികൾ: ഈ ലെയറുകൾ ഡൗൺസാംപ്ലിംഗ് പ്രവർത്തനങ്ങൾ നടത്തുന്നു, ഇത് ഏറ്റവും പ്രധാനപ്പെട്ട വിവരങ്ങൾ സംരക്ഷിക്കുന്നതിനൊപ്പം ഫീച്ചർ മാപ്പുകളുടെ സ്പേഷ്യൽ അളവുകളും കമ്പ്യൂട്ടേഷണൽ സങ്കീർണ്ണതയും കുറയ്ക്കാൻ സഹായിക്കുന്നു. സാധാരണ പൂളിംഗ് പ്രവർത്തനങ്ങളിൽ പരമാവധി പൂളിംഗ്, ശരാശരി പൂളിംഗ് എന്നിവ ഉൾപ്പെടുന്നു.
  5. പൂർണ്ണമായും ബന്ധിപ്പിച്ച പാളികൾ: ഈ പാളികൾ ഒരു ലെയറിലെ ഓരോ ന്യൂറോണിനെയും തുടർന്നുള്ള ലെയറിലെ എല്ലാ ന്യൂറോണുകളിലേക്കും ബന്ധിപ്പിക്കുന്നു, ഇത് ഉയർന്ന തലത്തിലുള്ള സവിശേഷതകളും ബന്ധങ്ങളും പഠിക്കാൻ CNN-നെ പ്രാപ്തമാക്കുന്നു. പൂർണ്ണമായി ബന്ധിപ്പിച്ച അന്തിമ ലെയറിന് സാധാരണയായി സോഫ്റ്റ്‌മാക്സ് ആക്റ്റിവേഷൻ ഫംഗ്‌ഷൻ പിന്തുടരുന്നു, ഇത് ക്ലാസിഫിക്കേഷൻ ടാസ്‌ക്കിൽ ഓരോ ക്ലാസിനും ഔട്ട്‌പുട്ട് പ്രോബബിലിറ്റികൾ നൽകുന്നു.
  6. ഔട്ട്പുട്ട് ലെയർ: ഇമേജ് വർഗ്ഗീകരണ ടാസ്ക്കിലെ ക്ലാസ് ലേബൽ പോലെയുള്ള CNN-ന്റെ അന്തിമ പ്രവചനമോ ഔട്ട്പുട്ടോ ഈ ലെയർ സൃഷ്ടിക്കുന്നു.

ഒരു CNN പരിശീലിപ്പിക്കുന്നതിൽ, പ്രവചിച്ച ഔട്ട്‌പുട്ടുകളും യഥാർത്ഥ ലേബലുകളും തമ്മിലുള്ള പിശക് കുറയ്ക്കുന്ന ബാക്ക്‌പ്രൊപഗേഷൻ എന്ന ഒരു പ്രക്രിയയിലൂടെ ഫിൽട്ടർ വെയ്റ്റുകളും ബയസുകളും ക്രമീകരിക്കുന്നത് ഉൾപ്പെടുന്നു. പരിശീലിച്ചുകഴിഞ്ഞാൽ, പുതിയതും കാണാത്തതുമായ ഡാറ്റയിൽ പ്രവചനങ്ങൾ നടത്താൻ CNN ഉപയോഗിക്കാം.

ഇമേജ് ക്ലാസിഫിക്കേഷൻ (ഉദാ, ഇമേജ് നെറ്റ്), ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ (ഉദാ, YOLO, ഫാസ്റ്റർ R-CNN), സെമാന്റിക് സെഗ്മെന്റേഷൻ (ഉദാ, യു-നെറ്റ്) എന്നിവയുൾപ്പെടെ വിവിധ കമ്പ്യൂട്ടർ വിഷൻ ടാസ്ക്കുകളിൽ CNN-കൾ വിജയിച്ചിട്ടുണ്ട്. വിഷ്വൽ ഡാറ്റ പ്രോസസ്സിംഗിലെ അവയുടെ ഫലപ്രാപ്തി സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗ്, സ്പീച്ച് റെക്കഗ്നിഷൻ തുടങ്ങിയ മറ്റ് ഡൊമെയ്‌നുകൾക്ക് അനുയോജ്യമാക്കിയിരിക്കുന്നു, അവിടെ അവ തുടർച്ചയായ ഡാറ്റ വിശകലനം ചെയ്യാൻ പ്രയോഗിക്കാൻ കഴിയും.

  • ചുരുക്കെഴുത്ത്: സിഎൻഎൻ
മുകളിലേയ്ക്ക് മടങ്ങുക ബട്ടൺ
അടയ്ക്കുക

ആഡ്ബ്ലോക്ക് കണ്ടെത്തി

Martech Zone പരസ്യ വരുമാനം, അനുബന്ധ ലിങ്കുകൾ, സ്പോൺസർഷിപ്പുകൾ എന്നിവയിലൂടെ ഞങ്ങൾ ഞങ്ങളുടെ സൈറ്റിൽ നിന്ന് ധനസമ്പാദനം നടത്തുന്നതിനാൽ ഈ ഉള്ളടക്കം നിങ്ങൾക്ക് ഒരു ചെലവും കൂടാതെ നൽകാൻ കഴിയും. നിങ്ങൾ ഞങ്ങളുടെ സൈറ്റ് കാണുമ്പോൾ നിങ്ങളുടെ പരസ്യ ബ്ലോക്കർ നീക്കം ചെയ്താൽ ഞങ്ങൾ അഭിനന്ദിക്കുന്നു.