Сверточные нейронные сети (CNN)

Сверточные нейронные сети (CNN) — это специализированный тип нейронных сетей, предназначенный для обработки данных изображений. Они широко используются в таких задачах, как классификация изображений, обнаружение объектов и распознавание лиц.

Почему CNN эффективны для изображений

CNN эффективны, поскольку они:

• Сохраняют пространственные взаимосвязи: обрабатывают изображения как сетки пикселей.
• Снижают вычислительные затраты: используют общие веса для локальных областей (ядер).
• Извлекают иерархические признаки: обнаруживают границы, формы и сложные закономерности на разных слоях.

Сверточные слои

Сверточные слои — основа CNN. Они применяют фильтры (ядра) к входному изображению, чтобы извлекать признаки.

Пример:

• Вход: изображение размером 5×5.
• Ядро: фильтр размером 3×3.
• Выход: карта признаков, выделяющая закономерности.

Пример: применение свёртки

Для имитации простой операции свёртки можно использовать Python и NumPy:

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)

Слои субдискретизации

Слои субдискретизации уменьшают размер карт признаков, сохраняя важную информацию. К распространённым типам относятся:

• Максимальная субдискретизация: Сохраняет максимальное значение в области.
• Средняя субдискретизация: Вычисляет среднее значение в области.

Полносвязные слои

Полносвязные слои соединяют все нейроны одного слоя со следующим. Они объединяют извлечённые признаки, чтобы делать прогнозы в таких задачах, как классификация изображений.

Типичная архитектура CNN

Типичная CNN состоит из:

1. Свёрточные слои: Извлекают признаки из входных данных.
2. Слои субдискретизации: Уменьшают размерность карт признаков.
3. Полносвязные слои: Выполняют итоговую классификацию или регрессию.

Преимущества CNN

CNN особенно эффективны для обработки изображений благодаря следующим особенностям:

• Эффективное извлечение признаков с помощью свёрточных слоёв.
• Снижение переобучения благодаря совместному использованию параметров.
• Возможность обрабатывать сложные данные изображений с помощью нескольких слоёв.

Итоги и следующие шаги

В этом уроке мы:

• Изучили структуру и принцип работы сверточных нейронных сетей.
• Рассмотрели сверточные, объединяющие и полносвязные слои.
• Обсудили преимущества CNN при обработке изображений.

Далее мы создадим простой проект классификации изображений с использованием CNN, чтобы применить полученные знания.