Deep Learning Academy · Ders

Bir CNN Görüntü Sınıflandırıcısı Oluşturma

Conv-ReLU-pool bloklarından çalışan bir model oluşturun.

4. ders / 413 adım

Bir CNN Görüntü Sınıflandırıcısı Oluşturma, CoddyKit'te ücretsiz bir Deep Learning Academy dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Deep Learning Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Deep Learning Academy kursu toplamda 4 dersten oluşur.

CNN Tarifi

Klasik bir görüntü sınıflandırıcı, özellikleri çıkarmak için evrişim-ReLU-havuzlama bloklarını üst üste ekler ve ardından sınıfı tahmin eden yoğun katmanlarla sona erer.

Bir Yapı Taşı

Her blok aynı ritmi izler: bir evrişim katmanı, bir ReLU etkinleştirmesi ve ardından bir havuzlama katmanı. Tekrarlayacağınız temel yapı evrişim bloğudur.

block = nn.Sequential(
    nn.Conv2d(3, 16, 3, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(2),
)

ReLU Doğrusal Olmayanlık Ekler

Bir etkinleştirme olmadan, üst üste dizilmiş evrişimler tek bir doğrusal adıma indirgenir. Her evrişimden sonra ReLU kullanmak, ağın karmaşık şekilleri öğrenmesini sağlar.

Daha Derine İnmek İçin Blokları Üst Üste Ekleyin

Her seferinde kanal sayısını artırarak bloğu tekrarlayın. Daha fazla blok, daha geniş bir alıcı alan ve daha zengin öğrenilmiş özellikler anlamına gelir.

Başlıktan Önce Düzleştirin

Evrişim bloklarından sonra elinizde küçük haritalardan oluşan bir yığın bulunur. Yoğun katmanın okuyabilmesi için bunları Flatten ile tek bir vektöre dönüştürün.

x = torch.flatten(x, start_dim=1)

Sınıflandırıcı Başlığı

Bir Linear katmanı, düzleştirilmiş özellikleri her sınıf için bir puana dönüştürür. On sınıf varsa on sayı üretir.

head = nn.Linear(64, 10)

Modeli Tanımlama

Özellikleri ve başlığı bir nn.Module içine yerleştirin. İleri geçiş yöntemi evrişimleri çalıştırır, özellikleri düzleştirir ve ardından sınıflandırıcıyı çalıştırır.

class CNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.features = block
        self.head = head

İleri Geçişi Yazma

forward içinde görüntüyü features üzerinden geçirin, düzleştirin ve başlığa aktarın. Çıkış, her sınıf için bir ham puandır.

def forward(self, x):
    x = self.features(x)
    x = torch.flatten(x, 1)
    return self.head(x)

Çıkışlar Logittir

Başlık, olasılık değil, logit adı verilen ham puanları döndürür. Çapraz entropi kaybı, eğitim sırasında tam olarak bu ham değerleri bekler.

Kaybı Seçme

Çok sınıflı görüntüler için CrossEntropyLoss kullanın. Bu işlev softmax'ı kendi içinde uygular ve gerçek etiket diziniyle karşılaştırma yapar.

loss_fn = nn.CrossEntropyLoss()

Bir Sınıf Tahmin Etme

Çıkarım sırasında en büyük logitin dizinini alın. Bu argmax değeri, modelin görüntü için tahmin ettiği sınıftır. 🖼️

pred = logits.argmax(dim=1)

Hızlı Kontrol

Bir CNN sınıflandırıcısının parçalarının sırasını kontrol edelim.

İnteraktif derste cevapla

Özet: Çalışan Bir CNN

Bir CNN oluşturdunuz: evrişim-ReLU-havuzlama blokları özellikleri çıkarır, flatten işlemi özellikleri bir Linear başlığına aktarır ve logitler üzerindeki argmax, tahmin edilen sınıfı verir. 🎉

Başlamak ücretsiz

Yapay zeka eğitmeniyle Python öğren — ücretsiz

Tarayıcında gerçek kod yaz ve çalıştır, 7/24 yapay zeka eğitmeninden anında yardım al; web'de ya da uygulamada kaldığın yerden devam et.

Kurslar: 30
Dersler: 120

Ücretsiz öğrenmeye başla Tüm kursu görüntüle

Sıkça Sorulan Sorular

“Bir CNN Görüntü Sınıflandırıcısı Oluşturma” dersi ücretsiz mi?

Evet — “Bir CNN Görüntü Sınıflandırıcısı Oluşturma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Deep Learning Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Deep Learning Academy kursu toplamda 4 dersten oluşur.

“Bir CNN Görüntü Sınıflandırıcısı Oluşturma” dersinde ne öğreneceğim?

Conv-ReLU-pool bloklarından çalışan bir model oluşturun. Deep Learning Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Deep Learning Academy öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Deep Learning Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.

“Bir CNN Görüntü Sınıflandırıcısı Oluşturma” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Deep Learning Academy dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Deep Learning Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

Evrişim: Çekirdekler Pikseller Üzerinde Kayar
Adım, Dolgu ve Havuzlama
Kanallar, Özellik Haritaları ve Alıcı Alanlar
Bir CNN Görüntü Sınıflandırıcısı Oluşturma

← Deep Learning Academy Sayfasına Dön