Fundamentos de las redes neuronales convolucionales Ppt de capacitación

Diapositiva 1

Esta diapositiva ofrece una descripción general de las redes neuronales convolucionales. ConvNet, es un diseño de red de aprendizaje profundo que aprende de los datos sin el requisito de extracción de características humanas. Las CNN son beneficiosas para reconocer objetos, rostros y entornos al buscar patrones en las imágenes.

Diapositiva 2

Esta diapositiva describe cómo funcionan las redes neuronales convolucionales. Las CNN se dividen en tres capas que son la capa convolucional, la capa de agrupación y la capa totalmente conectada.

Diapositiva 3

Esta diapositiva muestra la capa convolucional en una red neuronal convolucional. La mayor parte del cálculo tiene lugar en la capa convolucional de una CNN. Esta capa requiere datos de entrada, un filtro y un mapa de características.

Diapositiva 4

Esta diapositiva describe los hiperparámetros de la capa de convolución en una CNN. Estos parámetros son el número de filtros, la zancada y el relleno cero, que se divide a su vez en relleno válido, mismo relleno y relleno completo.

Notas del instructor:

• Número de filtros: la profundidad de la salida está determinada por la cantidad de filtros utilizados. Tres filtros distintos, por ejemplo, darían como resultado tres mapas de características distintos, lo que daría como resultado una profundidad de tres
• Paso: El paso del núcleo es el número de píxeles atravesados sobre la matriz de entrada. A pesar de que los valores de zancada de dos o más son inusuales, una zancada más larga significa menos rendimiento
• Relleno cero: el relleno cero se usa cuando los filtros no se ajustan a la imagen de entrada. Todos los miembros fuera de la matriz de entrada se establecen en cero, lo que da como resultado una salida mayor o de igual tamaño. El relleno es de tres tipos.
• Relleno válido: esto también se conoce como "sin relleno". Si las dimensiones no se alinean, se descarta la última convolución
• Mismo relleno: este relleno garantiza que el tamaño de la capa de salida y la capa de entrada sea el mismo
• Relleno completo: este tipo de relleno mejora el tamaño de la salida, rellenando el borde de la entrada con ceros.

Diapositiva 5

Esta diapositiva muestra la capa de agrupación en una red neuronal convolucional. La reducción de resolución, también conocida como capas de agrupación, reduce la cantidad de parámetros en la entrada al reducir la dimensionalidad. Max Pooling y Average Pooling son sus dos tipos.

Notas para el instructor: el proceso de agrupación barre un filtro en toda la entrada, similar a la capa convolucional, excepto que este filtro no tiene pesos. En lugar de llenar la matriz de salida con valores del campo receptivo, el kernel usa una función de agregación.

• Agrupación máxima: el filtro elige el píxel con el valor más alto para transmitirlo a la matriz de salida a medida que avanza por la entrada. En comparación con la agrupación promedio, esta estrategia se emplea con más frecuencia.
• Agrupación promedio: el valor promedio dentro del campo receptivo se determina a medida que el filtro pasa sobre la entrada y se envía a la matriz de salida

Diapositiva 6

Esta diapositiva muestra la capa totalmente conectada en una red neuronal convolucional. Cada nodo de capa de salida se conecta directamente a un nodo en la capa anterior en la capa totalmente conectada. Esta capa realiza la categorización en función de las características extraídas por las capas anteriores y sus filtros.