Konwolucyjne sieci neuronowe (CNNs)

Konwolucyjne sieci neuronowe (CNNs) to wyspecjalizowany rodzaj sieci neuronowych przeznaczony do przetwarzania danych obrazowych. Są szeroko stosowane w zadaniach takich jak klasyfikacja obrazów, wykrywanie obiektów i rozpoznawanie twarzy.

Dlaczego CNNs są skuteczne w przypadku obrazów

CNNs są skuteczne, ponieważ:

• Zachowują zależności przestrzenne: Przetwarzają obrazy jako siatki pikseli.
• Zmniejszają koszt obliczeniowy: Wykorzystują współdzielone wagi dla lokalnych obszarów (jąder).
• Wydobywają cechy hierarchiczne: W kolejnych warstwach wykrywają krawędzie, kształty i złożone wzorce.

Warstwy konwolucyjne

Warstwy konwolucyjne stanowią trzon sieci CNN. Stosują filtry (jądra) do obrazu wejściowego w celu wyodrębnienia cech.

Przykład:

• Wejście: Obraz 5×5.
• Jądro: Filtr 3×3.
• Wyjście: Mapa cech wyróżniająca wzorce.

Przykład: zastosowanie konwolucji

Za pomocą języka Python i biblioteki NumPy można zasymulować prostą operację konwolucji:

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)

Warstwy poolingowe

Warstwy poolingowe zmniejszają rozmiar map cech, zachowując istotne informacje. Typowe rodzaje obejmują:

• Max Pooling: Zachowuje największą wartość w danym obszarze.
• Average Pooling: Oblicza średnią wartość w danym obszarze.

Warstwy w pełni połączone

Warstwy w pełni połączone łączą wszystkie neurony jednej warstwy z neuronami kolejnej. Łączą wyodrębnione cechy, aby generować prognozy w zadaniach takich jak klasyfikacja obrazów.

Typowa architektura CNN

Typowa sieć CNN składa się z:

1. Warstwy konwolucyjne: Wyodrębniają cechy z danych wejściowych.
2. Warstwy poolingowe: Zmniejszają wymiary map cech.
3. Warstwy w pełni połączone: Wykonują końcową klasyfikację lub regresję.

Zalety sieci CNN

Sieci CNN są bardzo skuteczne w przetwarzaniu obrazów ze względu na:

• Wydajną ekstrakcję cech za pomocą warstw konwolucyjnych.
• Ograniczenie przeuczenia dzięki współdzieleniu parametrów.
• Możliwość przetwarzania złożonych danych obrazowych za pomocą wielu warstw.

Podsumowanie i kolejne kroki

W tej lekcji:

• Poznaliśmy strukturę i sposób działania konwolucyjnych sieci neuronowych.
• Poznaliśmy warstwy splotowe, poolingowe i w pełni połączone.
• Omówiliśmy zalety sieci CNN w przetwarzaniu obrazów.

Następnie zbudujemy podstawowy projekt klasyfikacji obrazów z użyciem sieci CNN, aby zastosować zdobytą wiedzę.