Professional Documents
Culture Documents
Evrişim Katmanı - Kodlama Ninjaları
Evrişim Katmanı - Kodlama Ninjaları
Codestudio Aylık Yarışma 13'e henüz kayıt olmadınız mı? Şimdi Üye Ol
CNN'de Evrişim
katmanı, Dolgu, Adım
ve Havuzlama
Kategoriye Gözat
Taşmit Paylaşmak
günün sorunu Son Güncelleme: 16 Mart
:
2023
Günlük tutarlı ve
yapılandırılmış uygulama, sizi
Keşfetmek
İçindekiler
1. giriiş
3. Evrişim Katmanları
4. adımlar
5. Dolgu malzemesi
6. havuzlama
Uzman bir
İlgili Makaleler rekabetçi kodlayıcı
olun
Konvolüsyonel Sinir
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 1/8
4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları
nedir?
Derin öğrenmede, evrişimli bir sinir ağı, görsel görüntüleri
analiz etmek için en yaygın olarak uygulanan yapay sinir
ağıdır. Sinir ağlarında görüntü sınıflandırması ve tanıma için
birincil kategoridir. Evrişimli sinir ağlarının yaygın olarak
kullanıldığı bazı alanlar, sahne etiketleme, nesne algılama,
Keras'ta Konvolüsyonel yüz tanıma vb.dir.
Sinir Ağı
Ayrıca Resnet 50 Mimarisini Okuyun
Softmax ve Çapraz
Entropi CNN nasıl
çalışır?
Bu sinir ağı, bir görüntüyü girdi olarak alır, sınıflandırır ve
belirli bir kategori altında işler: köpek, kedi, aslan, kaplan vb.
Bilgisayar, görüntüye bir piksel dizisi olarak bakar ve resmin
çözünürlüğüne bağlıdır. Görüntü çözünürlüğüne bağlı olarak
görüntüye yükseklik * genişlik * boyut olarak bakacaktır.
Kaynak: Bağlantı
Evrişim
Katmanları
hedefinizi belirleyin
Odaklanmış öğrenme için önemli
Evrişim Katmanları, görüntüden özellikleri çıkarmak için ilk
katmanlardır. Küçük bir giriş veri dizisi kullanarak özellikleri
Teknik mülakatlara
öğrenerek pikseller arasındaki ilişkiyi sürdürür. Bir görüntü hazırlanın
matrisi ve bir çekirdek veya filtre olmak üzere iki girdi alan
matematiksel bir terimdir. Sonuç şu şekilde hesaplanır:
Kodlamayı öğrenin
ve uygulayın
Uzman bir
rekabetçi kodlayıcı
olun
Zaten kurulum?
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 2/8
4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları
Kaynak: Bağlantı
Rehberli Yollar yarışmalar Mülakat Hazırlığı Pratik Kaynaklar Giriş
yapmak
Yukarıdaki görselde,
Filtrenin boyutları f xf xd
h w
Kaynak: Bağlantı
Kaynak: Bağlantı
hedefinizi belirleyin
Odaklanmış öğrenme için önemli
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 3/8
4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları
taşıyoruz. Benzer şekilde adım sayısı 2 olduğunda filtreleri 2
Giriş
piksele
Rehberli Yollartaşyarı
ıyoruz
şmalar ve Mülakat
bu böyle devam
Hazırlı ğı ediyor.
Pratik GirişKaynaklar
e karşı
yapmak
filtrenin evrişimini kontrol ettikleri için önemlidirler, yani,
Görüntüyü düzleştirirken gözden kaçabilecek özellikleri
düzenlemekten Strides sorumludur. Her kıvrımda
ilerlediğimiz adım sayısını gösterirler. Aşağıdaki şekil
evrişimin nasıl çalışacağını göstermektedir.
Kaynak: Bağlantı
[{(n+2p-f+1)/s}+1][{(n+2p-f+1)/s}]
Dolgu
malzemesi
Dolgu, CNN oluşturmada hayati bir rol oynar. Evrişim
işleminden sonra görüntünün orijinal boyutu küçültülür.
Ayrıca, görüntü sınıflandırma görevinde, birden çok evrişim
katmanı vardır ve bundan sonra, istemediğimiz her
adımdan sonra orijinal görüntümüz küçülür.
hedefinizi belirleyin
Odaklanmış öğrenme için önemli
Teknik mülakatlara
hazırlanın
Kaynak: Bağlantı
Kodlamayı öğrenin
ve uygulayın
Dolayısıyla, bir nxn matrisi, p dolgulu bir ff matrisi ile
evrişim halindeyse, çıktı görüntüsünün boyutu şu şekilde
olacaktır: Uzman bir
rekabetçi kodlayıcı
olun
(n+2p-f+1) x (n+2p-f+1)
Zaten kurulum?
havuzlama
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 4/8
4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları
Havuzlama katmanı, bir CNN'nin başka bir yapı taşıdır ve
Giriş
birYollar
Rehberli görüntünün ön
yarışmalar işMülakat
lenmesinde
Hazırlığıhayati Pratik
bir rol oynar. Ön
Kaynaklar
yapmak
işlemde eğer resim çok büyükse parametre sayısı
azaltılarak resim boyutu küçülür. Resim küçültüldüğünde
piksel yoğunluğu da azalır, önceki katmanlardan
küçültülmüş görüntü elde edilir. Temel olarak işlevi, ağ
karmaşıklığını ve hesaplama maliyetini azaltmak için
görüntünün uzamsal boyutunu kademeli olarak azaltmaktır.
Uzamsal havuzlama, her haritanın boyutsallığını azaltan
ancak temel özellikleri koruyan alt örnekleme veya alt
örnekleme olarak da bilinir. Özellik haritasındaki her bir
değere düzeltilmiş bir doğrusal aktivasyon işlevi veya ReLU
uygulanır. Relu, özellik haritasındaki değerleri değiştirmeyen
ancak daha sonra ardışık havuzlama katmanları eklendiği
için mevcut olan basit ve etkili bir doğrusal olmama
durumudur. Özellik haritalarına doğrusal olmama
uygulandıktan sonra havuzlama eklenir. Üç tür mekansal
havuzlama vardır:
1. Maksimum Havuzlama
Maksimum havuzlama, bir bölgenin maksimumunu almak
ve görüntüden en önemli özelliklerle ilerlemeye yardımcı
olmak için bir kuraldır. Sürekli işlevleri ayrık karşılıklara
aktaran örnek tabanlı bir süreçtir. Öncelikli amacı, bir girdiyi
boyutsallığını azaltarak ve reddedilen alt bölgede yer alan
özellikler hakkında varsayımlarda bulunarak küçültmektir.
Kaynak: Bağlantı
hedefinizi belirleyin
Odaklanmış öğrenme için önemli
Teknik mülakatlara
hazırlanın
Kaynak: Bağlantı
Kodlamayı öğrenin
2. Ortalama Havuzlama ve uygulayın
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 5/8
4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları
Kaynak: Bağlantı
Kaynak: Bağlantı
3. Toplamı Birleştirme
Maks havuzlamaya benzer, ancak maksimum değeri
hesaplamak yerine her bir alt bölgenin ortalamasını
hesaplarız.
Sıkça Sorulan
Sorular
1. Ayrılanlar nedir?
Bırakma, eğitim sırasında rastgele seçilen nöronların
yok sayıldığı bir yaklaşımdır; rastgele bırakılırlar. Başka
bir deyişle, aşağı akım nöronlarının aktivasyonuna
katkıları, ileri geçişte geçici olarak kaldırılır ve geri
geçişte nörona herhangi bir ağırlık güncellemesi
uygulanmaz.
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 6/8
4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları
inmekle ilgileniyorsanız, Stanford Üniversitesi'nden
Giriş
fakültemiz
Rehberli Yollar veşmalar
yarı Endüstri uzmanlarının
Mülakat küratörlü
Hazırlığı Pratik ğünüKaynaklar
yaptığı
yapmak
sektör odaklı makine öğrenimi kursumuza göz atın.
Bu makaleyi
Bu makale yardımcı
arkadaşlarınızla
oldu mu ? ve iş
0 olumlu oy arkadaşlarınızla
paylaşın:
Yorumlar
Postalamak
Teknik mülakatlara
hazırlanın
Kodlamayı öğrenin
ve uygulayın
Uzman bir
rekabetçi kodlayıcı
olun
Kütüphane
java | Piton | C Programlama Dili | C++ Programlama Dili | Bulut bilişim |
: JS düğümü | Makine öğrenme | Derin Öğrenme | Büyük veri | Zaten kurulum?
İşletim sistemi | Dile Git | C# | Yakut | Amazon Web Hizmetleri |
Microsoft Azure | Google Bulut Platformu | Veri depolama |
Nesnelerin interneti
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 7/8
4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları
Rehberli
CodeStudio'dan
kiralama Yollar
Kütüphane
Deneme
Serisi
Yarışma
Çevrimiçi
Derleyici
Sorun
Listeleri
Aşağıdakileri
kullanarak
ödeme kabul
ediyoruz:
hedefinizi belirleyin
Odaklanmış öğrenme için önemli
Teknik mülakatlara
hazırlanın
Kodlamayı öğrenin
ve uygulayın
Uzman bir
rekabetçi kodlayıcı
olun
Zaten kurulum?
https://www.codingninjas.com/codestudio/library/convolution-layer-padding-stride-and-pooling-in-cnn 8/8