یادداشت های کلاسی جلسه 18

  • مغز انسان سلسله مراتبی است.
  • هدف افراد که بر روی cognitive مطالعه می کنند بالا رفتن توان پیشگویی مغز است ، لذا این افراد به این نتیجه رسیدند که اگر صرفا بر روی افزایش کارایی مدل کار کنند (با بهبود شبکه ی کانولوشنی) توانایی پیشگویی نرون های مغز نیز افزایش می یابد ،یعنی کارایی و توانایی پیشگویی نرون ها دارای correlation هستند.

 

  • مدل alexnet مشابه لایه IT مغز میمون عمل میکند(کنار هم قرار دادن object های مشابه)  پس می توان از این مدل برای تحقیقات پردازش تصویر استفاده کرد

 

  • رویکرد مغز به گونه ای است که تبدیل تصویر انجام می دهد و تصاویر را به یک فضای نرونی دیگر انتقال می دهد
  • فضای نرونی مناسب ،به گونه ای است که با یک classifier ساده (خط،صفحه،….) قابل تفکیک باشد.

 

 

                                                                                                                      

Transfer learning : برای استفاده از یک شبکه ی کانولوشنالی لزوما به داده های زیاد احتیاج نداریم .می توان از نتایج مدلی دیگر استفاده کرد

  • لایه های ابتدایی یک مدل ، ویژگی های عمومی را تشخیص می دهند(خط

،لبه،…) پس می توانیم از این لایه ها در شبکه ی مورد نظر خود استفاده کنیم اما لایه آخر classifier است پس باید مطابق نیاز آن را تغییر دهیم

  • Freeze : با فریز کردن ، لایه ها در فرایندtraining شرکت نخواهند کرد

 

  • *****بسته به شباهت مسأله حل شده به مسأله مورد نظر و همچنین تعداد داده های موجود ، تعداد لایه های Freeze و training تعیین می کنیم.

 

  • یکی از راه های استفاده از شبکه های کانولوشنالی حذف همه ی لایه های fully_conected است . در این صورت از شبکه به عنوان یک Feature

Extractor استفاده می شود

 

  • اگر لایه های C یک شبکه را حذف کنیم می توانیم سایز عکس ها را به دلخواه تعیین کنیم(لزوما نباید سایزی که شبکه قبلا با آن آموزش دیده باشد)

 

  • شبکه های C برای مسایل خاص استفاده می شوند و نمی توانند تشخیص دهند که object کجای تصویر قرار دارد

 

 

فوتر سایت

اسلایدر سایدبار

درباره ما

درباره ما

ما گروهی از دانشجویان رشته کامپیوتر دانشگاه شهید رجایی هستیم که به راهنمایی و تدریس استاد علی‌رضا اخوان‌پور به دنیای یادگیری عمیق پا گذاشتیم و دوست داریم چیزهایی که در این مسیر یادمی‌گیریم رو به اشتراک بذاریم.

شبکه های اجتماعی

مطالب اخیر