الملخص
في هذه الوحدة النمطية، تعلمت كيف تعمل الشبكات العصبية الالتفافية، وكيف يمكنها التقاط أنماط في صور ثنائية الأبعاد.
إليكم ملخصا للمفاهيم الرئيسية التي تناولناها:
- بيانات الصورة كموترات: تمثيل الصور كمصفوفات متعددة الأبعاد (H×W للرمادي، H×W×3 لللون)، وتطبيع قيم البكسلات.
- الشبكات العصبية الكثيفة: بناء شبكات ذات طبقة واحدة ومتعددة الطبقات متصلة بالكامل لتصنيف الصور، بما في ذلك مفاهيم مثل softmax، وترميز التسخين الواحد، ودوال الفقد، والمحسنات.
- الإفراط في التوافق: التعرف على متى يتناسب النموذج مع بيانات التدريب بشكل جيد جدا لكنه يفشل في التعميم، واستراتيجيات لمعالجته.
- الشبكات العصبية الالفافية (CNNs): استخدام مرشحات الالتفافية لاستخراج الأنماط المكانية، وتجميع الطبقات لتقليل الأبعاد، وهياكل هرم تجمع بين عدة طبقات التفافية.
- التعلم التحويلي: الاستفادة من النماذج المدربة مسبقا مثل VGG-16 لاستخراج الميزات وبناء مصنفات للمهام المخصصة مع بيانات ووقت تدريب أقل.
في الواقع، يمكن أيضا استخدام شبكات CNN لاكتشاف الأنماط في الإشارات أحادية البعد (مثل موجات الصوت أو السلاسل الزمنية)، وفي البنى متعددة الأبعاد (على سبيل المثال، الأحداث في الفيديوهات التي تتكرر فيها بعض الأنماط عبر الإطارات). أيضًا، تعد شبكات “CNN” كتل إنشائية بسيطة لحل مهام الرؤية الحاسوبية الأكثر تعقيدًا مثل: إنشاء الصور. الشبكات العدائية التوليدية (GANs)ونماذج الانتشار (مثل الانتشار المستقر وDALL· E) تستخدم لتوليد الصور، مع نماذج الانتشار التي تمثل الحالة الحالية للفن. وبالمثل، تستخدم شبكات CNN لاكتشاف الأجسام، وتقسيم المثلات، وأكثر من ذلك.