Онцлогыг задлах нь дүрсийг таних даалгавруудад хэрэглэгдэх конвульцийн мэдрэлийн сүлжээ (CNN) процессын чухал алхам юм. CNN-д шинж чанарыг задлах процесс нь үнэн зөв ангиллыг хөнгөвчлөхийн тулд оролтын зургуудаас утга учиртай шинж чанаруудыг гаргаж авдаг. Зургийн түүхий пикселийн утга нь ангиллын ажилд шууд тохиромжгүй тул энэ процесс зайлшгүй шаардлагатай. Холбогдох шинж чанаруудыг гаргаж авснаар CNN-үүд зураг доторх хэв маяг, хэлбэрийг таньж сурах боломжтой бөгөөд ингэснээр өөр өөр ангиллын объект эсвэл объектуудыг ялгах боломжийг олгодог.
CNN-ийн шинж чанарыг задлах үйл явц нь ихэвчлэн эргэлтийн давхаргыг ашиглах явдал юм. Эдгээр давхаргууд нь оролтын зурагт цөм гэж нэрлэгддэг шүүлтүүрүүдийг ашигладаг. Шүүлтүүр бүр оролтын дүрсийг сканнердаж, элементийн дагуу үржүүлэх, нийлбэр хийх үйлдлүүдийг хийж, онцлог газрын зургийг гаргадаг. Онцлогын газрын зураг нь ирмэг, бүтэц, хэлбэр гэх мэт оролтын зурагт байгаа тодорхой хэв маяг эсвэл онцлогуудыг авдаг. Хувиралт давхаргад олон шүүлтүүр ашиглах нь CNN-д орон зайн шатлалын янз бүрийн шинж чанаруудыг гаргаж авах боломжийг олгодог.
Гүйлгээний давхаргын дараа CNN нь загварт шугаман бус байдлыг нэвтрүүлэхийн тулд ReLU (Rectified Linear Unit) гэх мэт идэвхжүүлэх функцуудыг ихэвчлэн агуулдаг. Шугаман бус идэвхжүүлэлтийн функцууд нь CNN-д өгөгдөл доторх нарийн төвөгтэй харилцаа, хэв маягийг сурах боломжийг олгоход чухал үүрэг гүйцэтгэдэг. Хамгийн их нэгтгэх эсвэл дундаж нэгтгэх зэрэг нэгтгэх давхаргыг ихэвчлэн хамгийн хамааралтай мэдээллийг хадгалахын зэрэгцээ онцлог газрын зургийн орон зайн хэмжээсийг багасгахын тулд ашигладаг. Цөөрөмжүүлэлт нь оролтын зургийн өөрчлөлтөд сүлжээг илүү бат бөх болгоход тусалдаг ба тооцооллын төвөгтэй байдлыг бууруулдаг.
Хувиргах болон нэгтгэх давхаргын дараа олборлосон шинж чанаруудыг вектор болгон тэгшлээд нэг буюу хэд хэдэн бүрэн холбогдсон давхаргуудаар дамждаг. Эдгээр давхаргууд нь ангилагчийн үүрэг гүйцэтгэдэг бөгөөд олборлосон шинж чанаруудыг харгалзах гаралтын ангиудтай харьцуулж сурдаг. Эцсийн бүрэн холбогдсон давхарга нь ихэвчлэн олон ангиллын ангиллын даалгаврын ангиллын магадлалыг үүсгэхийн тулд softmax идэвхжүүлэх функцийг ашигладаг.
Зураг танихын тулд CNN-ийн онцлогийг задлах үйл явцыг харуулахын тулд хувцасны зургийг ангилах жишээг авч үзье. Энэ хувилбарт CNN гутал, цамц, өмд гэх мэт өөр өөр төрлийн хувцасны өвөрмөц бүтэц, өнгө, хэв маяг зэрэг онцлог шинжүүдийг гаргаж сурах болно. Хувцасны шошготой зургийн томоохон мэдээллийн багцыг боловсруулснаар CNN эдгээр ялгаатай шинж чанаруудыг үнэн зөв тодорхойлж, ангилахын тулд шүүлтүүр болон жингээ дахин тохируулж, эцсийн дүндээ үл үзэгдэх зургуудыг өндөр нарийвчлалтайгаар урьдчилан таамаглах боломжийг олгоно.
Онцлогыг задлах нь дүрсийг таних CNN-ийн үндсэн бүрэлдэхүүн хэсэг бөгөөд загвар нь оролтын зураг доторх холбогдох хэв маяг, онцлогуудыг ялгах, суралцах боломжийг олгодог. Convolutional давхаргууд, идэвхжүүлэх функцууд, нэгтгэх давхаргууд болон бүрэн холбогдсон давхаргуудыг ашигласнаар CNN нь ангиллын даалгавруудыг үнэн зөв гүйцэтгэхийн тулд утга учиртай шинж чанаруудыг үр дүнтэй гаргаж, хөшүүрэг болгож чадна.
Сүүлийн үеийн бусад асуулт, хариулт EITC/AI/TFF TensorFlow Fundamentals:
- Хэрхэн оруулах давхаргыг ашиглан үгсийг вектор болгон дүрслэх графикт тохирох тэнхлэгүүдийг автоматаар хуваарилах вэ?
- CNN-д хамгийн их нөөц бүрдүүлэх зорилго юу вэ?
- TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудад асинхрон сургалтын функцийг ашиглах шаардлагатай юу?
- TensorFlow Keras Tokenizer API үгийн хамгийн их тооны параметр хэд вэ?
- TensorFlow Keras Tokenizer API-г хамгийн түгээмэл үгсийг олоход ашиглаж болох уу?
- TOCO гэж юу вэ?
- Машин сургалтын загвар дахь хэд хэдэн эрин үе ба загварыг ажиллуулахаас урьдчилан таамаглах нарийвчлалын хооронд ямар хамааралтай вэ?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын API-тай хөрш зэргэлдээх багц нь байгалийн график өгөгдөл дээр суурилсан сургалтын нэмэгдүүлсэн мэдээллийн багц үүсгэдэг үү?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын програмын хөршүүдийн API гэж юу вэ?
- Мэдрэлийн бүтэцтэй сургалтыг байгалийн график байхгүй өгөгдөлд ашиглаж болох уу?
Бусад асуулт, хариултыг EITC/AI/TFF TensorFlow Fundamentals-аас үзнэ үү