Fundamentos do treinamento de redes neurais convolucionais Ppt

Slide 1

Este slide fornece uma visão geral das Redes Neurais Convolucionais. ConvNet, é um projeto de rede de aprendizado profundo que aprende com os dados sem a necessidade de extração de recursos humanos. As CNNs são benéficas para reconhecer objetos, rostos e configurações, procurando padrões nas imagens.

Slide 2

Este slide descreve como funcionam as Redes Neurais Convolucionais. As CNNs são divididas em três camadas: camada convolucional, camada de pooling e camada totalmente conectada.

Slide 3

Este slide descreve a camada convolucional em uma rede neural convolucional. A maior parte da computação ocorre na camada convolucional de uma CNN. Essa camada requer dados de entrada, um filtro e um mapa de recursos.

Slide 4

Este slide descreve os hiperparâmetros da camada de Convolução em uma CNN. Esses parâmetros são o número de filtros, passo e preenchimento zero, que são divididos em preenchimento válido, mesmo preenchimento e preenchimento completo.

Notas do instrutor:

• Número de filtros: A profundidade da saída é determinada pela quantidade de filtros usados. Três filtros distintos, por exemplo, resultariam em três mapas de recursos distintos, resultando em uma profundidade de três
• Stride: O passo do kernel é o número de pixels percorridos pela matriz de entrada. Apesar do fato de valores de passada de dois ou mais serem incomuns, uma passada mais longa significa menos saída
• Preenchimento zero: O preenchimento zero é usado quando os filtros não se ajustam à imagem de entrada. Todos os membros fora da matriz de entrada são definidos como zero, resultando em uma saída maior ou de tamanho igual. O preenchimento é de três tipos
• Preenchimento válido: também conhecido como "sem preenchimento". Se as dimensões não se alinharem, a última convolução é descartada
• Mesmo preenchimento: Este preenchimento garante que o tamanho da camada de saída e da camada de entrada seja o mesmo
• Preenchimento completo: esse tipo de preenchimento aumenta o tamanho da saída, preenchendo a borda da entrada com zeros

Slide 5

Este slide descreve a Camada de Pooling em uma Rede Neural Convolucional. A redução da resolução, também conhecida como camadas de agrupamento, reduz o número de parâmetros na entrada reduzindo a dimensionalidade. Max Pooling e Average Pooling são seus dois tipos.

Notas do instrutor: O processo de agrupamento varre um filtro em toda a entrada, semelhante à camada convolucional, exceto que esse filtro não tem pesos. Em vez de preencher a matriz de saída com valores do campo receptivo, o kernel usa uma função de agregação.

• Max Pooling: O filtro escolhe o pixel com o valor mais alto para transmitir para a matriz de saída à medida que avança pela entrada. Em comparação com o pooling médio, essa estratégia é empregada com mais frequência
• Average Pooling: O valor médio dentro do campo receptivo é determinado conforme o filtro passa pela entrada e é enviado para a matriz de saída

Slide 6

Este slide descreve a camada totalmente conectada em uma rede neural convolucional. Cada nó da camada de saída se conecta diretamente a um nó na camada anterior na camada totalmente conectada. Essa camada realiza a categorização com base nas feições extraídas pelas camadas anteriores e seus filtros.