सीएनएन

कनवल्शनल न्यूरल नेटवर्क

सीएनएन का संक्षिप्त रूप है कनवल्शनल न्यूरल नेटवर्क.

एचएमबी क्या है? कनवल्शनल न्यूरल नेटवर्क?

गहन शिक्षण मॉडल का एक वर्ग मुख्य रूप से विज़ुअल डेटा, जैसे छवियों और वीडियो के विश्लेषण और प्रसंस्करण के लिए उपयोग किया जाता है। वे मानव दृश्य प्रांतस्था प्रक्रियाओं की नकल करने के तरीके की नकल करने के लिए डिज़ाइन किए गए हैं और दृश्य इनपुट में पैटर्न को पहचानते हैं। छवि वर्गीकरण, वस्तु का पता लगाने और विभाजन जैसे कार्यों में सीएनएन विशेष रूप से प्रभावी हैं।

CNN की वास्तुकला में आमतौर पर कई परतें होती हैं, जिनमें शामिल हैं:

  1. इनपुट परत: यह परत अपरिष्कृत छवि डेटा प्राप्त करती है, जिसे अक्सर पिक्सेल मानों के मैट्रिक्स के रूप में दर्शाया जाता है।
  2. संकेंद्रित परतें: ये परतें कनवल्शन ऑपरेशन करती हैं, जिसमें इनपुट डेटा में कई फिल्टर (जिसे कर्नेल भी कहा जाता है) लागू करना शामिल है। फिल्टर छवि के भीतर किनारों, बनावट और आकृतियों जैसी सुविधाओं का पता लगाने में सहायता करते हैं। कनवल्शन लेयर का आउटपुट फीचर मैप्स का एक सेट है, जो विभिन्न स्थानिक पैमानों और ओरिएंटेशन पर पहचानी गई विशेषताओं का प्रतिनिधित्व करता है।
  3. सक्रियण परतें: ये परतें एक गैर-रैखिक सक्रियण फ़ंक्शन लागू करती हैं, जैसे कि रेक्टिफाइड लीनियर यूनिट (रेलु), दृढ़ परतों के उत्पादन के लिए। सक्रियण फ़ंक्शन गैर-रैखिकता का परिचय देता है, जिससे CNN को डेटा में जटिल पैटर्न और संबंध सीखने की अनुमति मिलती है।
  4. पूलिंग परतें: ये परतें डाउनसैंपलिंग ऑपरेशन करती हैं, जो सबसे महत्वपूर्ण जानकारी को संरक्षित करते हुए फीचर मैप के स्थानिक आयामों और कम्प्यूटेशनल जटिलता को कम करने में मदद करती हैं। कॉमन पूलिंग ऑपरेशंस में मैक्स-पूलिंग और एवरेज पूलिंग शामिल हैं।
  5. पूरी तरह से जुड़ी हुई परतें: ये परतें प्रत्येक न्यूरॉन को एक परत में बाद की परत में प्रत्येक न्यूरॉन से जोड़ती हैं, जो सीएनएन को उच्च-स्तरीय सुविधाओं और संबंधों को सीखने में सक्षम बनाती हैं। अंतिम पूरी तरह से जुड़ी हुई परत आमतौर पर सॉफ्टमैक्स एक्टिवेशन फ़ंक्शन के बाद होती है, जो एक वर्गीकरण कार्य में प्रत्येक वर्ग के लिए आउटपुट संभावनाएं पैदा करती है।
  6. आउटपुट परत: यह परत सीएनएन की अंतिम भविष्यवाणी या आउटपुट उत्पन्न करती है, जैसे छवि वर्गीकरण कार्य में वर्ग लेबल।

सीएनएन को प्रशिक्षित करने में बैकप्रोपैजेशन नामक एक प्रक्रिया के माध्यम से फ़िल्टर वज़न और पूर्वाग्रह को समायोजित करना शामिल है, जो अनुमानित आउटपुट और वास्तविक लेबल के बीच त्रुटि को कम करता है। एक बार प्रशिक्षित होने के बाद, CNN का उपयोग नए, अनदेखे डेटा पर भविष्यवाणियां करने के लिए किया जा सकता है।

CNN विभिन्न कंप्यूटर विज़न कार्यों में सफल रहा है, जिसमें इमेज वर्गीकरण (जैसे, इमेजनेट), ऑब्जेक्ट डिटेक्शन (जैसे, YOLO, Faster R-CNN), और सिमेंटिक सेगमेंटेशन (जैसे, U-Net) शामिल हैं। विजुअल डेटा प्रोसेसिंग में उनकी प्रभावशीलता ने उन्हें प्राकृतिक भाषा प्रसंस्करण और वाक् पहचान जैसे अन्य डोमेन के लिए भी उपयुक्त बना दिया है, जहां उन्हें अनुक्रमिक डेटा का विश्लेषण करने के लिए लागू किया जा सकता है।

  • संक्षिप्त: सीएनएन
शीर्ष पर वापस करने के लिए बटन
समापन

पता लगाया गया

Martech Zone आपको यह सामग्री बिना किसी लागत के प्रदान करने में सक्षम है क्योंकि हम विज्ञापन राजस्व, संबद्ध लिंक और प्रायोजन के माध्यम से अपनी साइट से कमाई करते हैं। यदि आप हमारी साइट देखते समय अपना विज्ञापन अवरोधक हटा देंगे तो हम आभारी होंगे।