कन्वोल्यूशनल न्यूरल नेटवर्क (CNN)

कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) छवि डेटा को संसाधित करने के लिए बनाए गए न्यूरल नेटवर्क का एक विशेष प्रकार हैं। इनका व्यापक उपयोग छवि वर्गीकरण, वस्तु पहचान और चेहरे की पहचान जैसे कार्यों में किया जाता है।

CNN प्रभावी होते हैं, क्योंकि वे:

• स्थानिक संबंधों को बनाए रखते हैं: छवियों को पिक्सेलों के जाल के रूप में संसाधित करते हैं।
• संगणनात्मक लागत कम करते हैं: स्थानीय क्षेत्रों (कर्नेलों) के लिए साझा भारों का उपयोग करते हैं।
• पदानुक्रमित विशेषताएँ निकालते हैं: विभिन्न परतों में किनारों, आकृतियों और जटिल प्रतिरूपों की पहचान करते हैं।

कन्वोल्यूशन परतें CNN का मुख्य भाग होती हैं। वे विशेषताएँ निकालने के लिए इनपुट छवि पर फ़िल्टर (कर्नेल) लागू करती हैं।

उदाहरण:

• इनपुट: 5×5 छवि।
• कर्नेल: 3×3 फ़िल्टर।
• आउटपुट: प्रतिरूपों को उभारने वाला विशेषता मानचित्र।

हम एक सरल कन्वोल्यूशन प्रक्रिया का अनुकरण करने के लिए पाइथन और NumPy का उपयोग कर सकते हैं:

import numpy as np

# Example 5x5 image
image = np.array([
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 0, 1, 2, 3]
])

# Example 3x3 kernel
kernel = np.array([
    [1, 0, -1],
    [1, 0, -1],
    [1, 0, -1]
])

# Perform convolution (without padding or strides)
from scipy.signal import convolve2d
output = convolve2d(image, kernel, mode='valid')
print("Feature Map:", output)

पूलिंग परतें महत्वपूर्ण जानकारी को बनाए रखते हुए विशेषता मानचित्रों का आकार घटाती हैं। इनके सामान्य प्रकारों में ये शामिल हैं:

• अधिकतम पूलिंग: किसी क्षेत्र में अधिकतम मान को बनाए रखती है।
• औसत पूलिंग: किसी क्षेत्र के औसत मान की गणना करती है।

पूर्णतः जुड़ी हुई परतें एक परत के सभी न्यूरॉनों को अगली परत से जोड़ती हैं। वे निकाली गई विशेषताओं को मिलाकर छवि वर्गीकरण जैसे कार्यों में पूर्वानुमान करती हैं।

एक सामान्य CNN में ये शामिल होते हैं:

1. कन्वोल्यूशनल परतें: इनपुट से विशेषताएँ निकालती हैं।
2. पूलिंग परतें: विशेषता मानचित्र के आयाम घटाती हैं।
3. पूर्णतः जुड़ी हुई परतें: अंतिम वर्गीकरण या प्रतिगमन करती हैं।

निम्न कारणों से CNN छवि प्रसंस्करण के लिए अत्यंत प्रभावी हैं:

• संवलन परतों द्वारा कुशल विशेषता निष्कर्षण।
• पैरामीटर साझा करने के कारण कम अतिअनुकूलन।
• कई परतों के माध्यम से जटिल छवि डेटा को संसाधित करने की क्षमता।

इस पाठ में हमने:

• संवलनीय तंत्रिका नेटवर्क की संरचना और कार्यप्रणाली का अध्ययन किया।
• संवलन, पूलिंग और पूर्णतः संयोजित परतों के बारे में सीखा।
• छवि प्रसंस्करण में CNN के लाभों पर चर्चा की।

इसके बाद, सीखी हुई बातों को लागू करने के लिए हम CNN का उपयोग करके एक बुनियादी छवि वर्गीकरण परियोजना बनाएँगे।