• 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

Data augmentation

خیلی مواقع دیتای ما کم است یا برای train کردن کافی نیست.برای مثال اگر تنها یکی دو عکس گربه داشته باشیم.در این صورت از روش augmentation (تقویت) استفاده می کنیم. این گونه که در عکس گربه تغییراتی اعمال میکنیم که باعث ایجاد عکس جدیدی بشود (تا زمانی که عکس همچنان گربه و طبیعی و قابل شناسایی باشد) ، هدف ما این است که پیکسل ها تغییر یابند ولی عکس کلی هنوز گربه باشد .مثلا بریدن و زوم کردن ، تغییر مقیاس ، آینه کردن (قرینه افقی)، تغییر رنگ و غیره ( این “غیره”می تواند هر چیزی باشد تا زمانی که حاصل طبیعی و همچنان گربه باشد)

واضح است که این کار از استفاده کردن از یک عکس گربه خیلی بهتر است ولی به پای استفاده از چندین عکس از گربه های مختلف نمی رسد.

استفاده از ImageDataGenerator

این فانکشن ، بطور رندوم اندازه ای کمتر یا مساوی از آپشن های تعیین شده را در دیتا دخیل داده و دیتا های جدید تولید میکند.

به همین خاطر با هربار اجرا، پاسخ جدیدی خواهد داد که ترکیبی رندوم از این هاست.

توضیح آپشن ها:

rotation_range عددی بین 0و180 درجه که حداکثر میزان چرخاندن را نشان میدهد

width_shift & height_shift حداکثر جابجا شدن و شیفت شدن افقی و عمودی

shear_rangeبا شکل توضیح بدهم بهتره، این:

zoom_range حداکثر میزان داخل تصویر زوم کردن(به نوعی همان crop کردن

horizontal_flip اگر true باشد می تواند تصویر را آینه(قرینه افقی)  کند.دقت کنید “میتواند” یعنی ممکن هم هست که نکند.

fill_mode شیوه پر کردن پیکسل های تازه ایجاد شده

کدها برگرفته از فصل دو کتاب Deep Learning with Python و گیت هاب نویسنده کتاب و توسعه دهنده کراس François Chollet است.