4/22/23, 12:15 AM Evrişim katmanı - Kodlama Ninjaları

Rehberli Yollar yarışmalar Mülakat Hazırlığı Pratik Kaynaklar Giriş

yapmak

Codestudio Aylık Yarışma 13'e henüz kayıt olmadınız mı? Şimdi Üye Ol

kod stüdyosu Kütüphane Derin Öğrenme Evrişim Sinir Ağı

CNN'de Evrişim katm…

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

2. CNN nasıl çalışır?

3. Evrişim Katmanları

4. adımlar

5. Dolgu malzemesi

6. havuzlama

6.1. 1. Maksimum Havuzlama

6.2. 2. Ortalama Havuzlama

hedefinizi belirleyin
6.3. 3. Toplamı Birleştirme Odaklanmış öğrenme için önemli

7. Sıkça Sorulan Sorular Teknik mülakatlara

hazırlanın
8. Temel Çıkarımlar
Kodlamayı öğrenin
ve uygulayın

Uzman bir
İlgili Makaleler rekabetçi kodlayıcı
olun

Konvolüsyonel Sinir Zaten kurulum? Sonraki

Ağını Anlamak

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

Ağı: İmge Öğrenme için Giriş

Rehberli Yollar yarışmalar Mülakat Hazırlığı Pratik Kaynaklar
onu bu kadar iyi yapan giriiş yapmak

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.

Örneğin, bir RGB görüntüsünü 5 * 5 * 2 dizisi olarak ve gri

tonlamalı görüntüyü 4 * 4 * 1 dizisi olarak düşünün. Her
giriş görüntüsü bir dizi katmandan geçer: evrişim, dolgu,
adımlar ve havuzlama. Bunu gönderdikten sonra, olasılık
değerleri 0 ve 1 olan bir nesneyi sınıflandırmak için Soft-
max işlevini uygulayacağız.

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,

Görüntü matrisi hxwxd'dir

Filtrenin boyutları f xf xd
h w

Çıkış (h- f +1)(w- f +1) x 1 olarak hesaplanır

h w

Şimdi bir örnek alıp piksel değerleri 0, 1 ve filtre matrisi 3x3

olan 5x5 görüntü matrisini çözelim:

Kaynak: Bağlantı

Matris çarpımı aşağıdaki gibi çalışacaktır:

Kaynak: Bağlantı

3x3 filtre ile çarpılan 5x5 görüntünün son evrişim

katmanları çıktı matrisi şöyle olacaktır:

hedefinizi belirleyin
Odaklanmış öğrenme için önemli

Kaynak: Bağlantı Teknik mülakatlara

hazırlanın
Görüntünün farklı filtre değerleriyle evrilmesi, bulanık veya
keskinleştirilmiş bir görüntü üretebilir. Çıktı görüntüsünün Kodlamayı öğrenin
boyutu şu şekilde hesaplanır: ve uygulayın

(k-n+1)(k-n+1) Uzman bir

rekabetçi kodlayıcı
olun

adımlar Zaten kurulum?

Dizi oluşturulduğunda, pikseller giriş matrisine kaydırılır.

Giriş matrisine dönen piksel sayısı, adımlar olarak bilinir.
Adım sayısı 1 olduğunda, filtreleri bir seferde 1 piksele

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

İlk matriste, adım = 0, ikinci görüntü: adım=2 ve üçüncü

görüntü: adım=2. Çıktı görüntüsünün boyutu şu şekilde
hesaplanır:

[{(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.

İkincisi, çekirdek orijinal görüntünün üzerinde hareket

ettiğinde, orta katmandan kenar katmanlarından daha
fazla geçer, bu nedenle bir örtüşme oluşur.

Bu sorunun üstesinden gelmek için dolgu adı verilen yeni bir

kavram tanıtıldı. Orijinal resmin boyutunu korurken
görüntünün kenarlarına ekleyebilen ek bir katmandır.
Örneğin:

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

Max Pooling'den farklıdır; daha az temel özellikler Uzman bir

hakkındaki bilgileri tutar. Girdi matrisini dikdörtgen rekabetçi kodlayıcı
olun
bölgelere bölerek ve her alanın ortalama değerlerini
hesaplayarak basitçe küçültür.
Zaten kurulum?

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

Rehberli Yollar yarışmalar Mülakat Hazırlığı Pratik Kaynaklar Giriş

yapmak

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.

2. Evrişimin havuzlamadan farkı nedir?

Önemli fark, bir evrişim katmanının özellikleri veri
matrisinden çıkarması, havuzlama katmanının ise veri
matrisini yalnızca alt örneklemesidir.
hedefinizi belirleyin
Odaklanmış öğrenme için önemli
3. Bir CNN'de kaç tane filtre olmalıdır?
CNN tek bir filtreyle öğrenmez; belirli bir girdi için Teknik mülakatlara
paralel olarak birden çok özelliği bilirler. Örneğin, bir hazırlanın
evrişim katmanının, paylaşılan bir bilgi parçası için
paralel olarak 32 ila 512 filtreden öğrenmesi normaldir. Kodlamayı öğrenin
ve uygulayın

Temel Uzman bir

Çıkarımlar rekabetçi kodlayıcı

olun

CNN, görüntü sınıflandırması için en yaygın kullanılan

Zaten kurulum?
algoritmadır. Herhangi bir insan müdahalesi olmadan bir
görüntüdeki temel özellikleri algılar. Bu makalede, bir
evrişim sinir ağının nasıl çalıştığını, CNN'deki evrişim
katmanı, adım katmanı, Dolgu katmanı ve Havuzlama
katmanı gibi çeşitli katmanları tartıştık. Daha derine

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.

Önceki makale Sonraki Makale

Evrişim Katmanı Keras'ta Konvolüsyonel Sinir

Ağı

Bu makaleyi
Bu makale yardımcı
arkadaşlarınızla
oldu mu ? ve iş
0 olumlu oy arkadaşlarınızla
paylaşın:

Yorumlar

Write your thoughts...

Postalamak

henüz yorum yok

Ne düşündüğünü ilk paylaşan sen ol

hedefinizi belirleyin
Odaklanmış öğrenme için önemli

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

Kodlama Ninjaları Rehberli

Amiral Yollar Gemisi
yarışmalarKurslarıyla
Mülakat Hazırlığı Pratik Kaynaklar Giriş
Buraya Tıklayın yapmak
ilgileniyor musunuz?

NİNJAYI ÜRÜNLER TOPLUM BİZİ TAKİP EDİN

KODLAMAK
günün Kod
Hakkımızda sorunu Stüdyosu
Basmak Mülakat Blog
Gizlilik Sorunları
Uygulamamızı Olaylar
indirin: Politikası Mülakat
Kampüs
şartlar ve Deneyimleri
Ninjaları
koşullar Görüşme
Hata Ödülü Paketi

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