Свёрточные нейронные сети (CNN)

Свёрточные 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 узоры на разных слоях.

Свёрточные слои

Свёрточные слои составляют основу CNN. Они применяют фильтры (ядра) к входному изображению, чтобы извлекать признаки.

Пример:

• Входные данные: Изображение 5×5.
• Ядро: Фильтр 3×3.
• Выходные данные: Карта признаков, выделяющая узоры.

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 объединения

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

• Объединение с выбором максимума: Сохраняет максимальное значение в области.
• Усредняющее объединение: 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 объединения: Уменьшают размерность карты признаков.
3. Полносвязные слои: Выполняют итоговую классификацию или регрессию.

Преимущества CNN

Сети CNN отличаются высокой эффективностью при обработке изображений благодаря:

• эффективному извлечению признаков с помощью свёрточных слоёв;
• снижению переобучения благодаря совместному использованию параметров;
• возможности обрабатывать сложные данные изображений с помощью нескольких слоёв.

Итоги и дальнейшие шаги

В этом уроке мы:

• изучили структуру и принцип работы свёрточных нейронных сетей;
• узнали о свёртке, пулинге и полносвязных слоях;
• обсудили преимущества CNN при обработке изображений.

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