وبلاگ

طبقه بندی تصویر با استفاده از شبکه های عصبی کانولوشن در کراس

در این آموزش، اصول اولیه شبکه های عصبی Convolutional (CNNs) و نحوه استفاده از آنها برای یک کارکرد طبقه بندی تصویر را یاد خواهید گرفت. ما همچنین خواهیم دید که افزایش داده ها در بهبود عملکرد شبکه کمک می کند. ما در مورد آموزش پیشین درباره شبکه های عصبی Feedforward، توابع فعال سازی و مبانی Keras بحث کردیم. ما از مجموعه داده های MNIST و CIFAR10 برای توضیح مفاهیم مختلف استفاده خواهیم کرد. ۱٫ انگیزه در مقاله قبلی ما در مورد [...]

درک توابع فعال سازی در یادگیری عمیق

در این پست، ما در مورد انواع مختلف توابع فعال یاد بگیریم؛ ما همچنین می بینیم که کدام تابع فعال تر بهتر از دیگر است. این پست فرض می کند که شما یک ایده اولیه از شبکه های عصبی مصنوعی (ANN) دارید، اما در صورتی که این کار را نکنید، توصیه می کنم ابتدا پست را در مورد درک شبکه های عصبی فیدبک بخوانید. ۱٫ عملکرد فعال سازی چیست؟ شبکه های عصبی زیستی الهام بخش توسعه شبکه های عصبی مصنوعی بودند. [...]

درک شبکه های عصبی Feedforward

درک شبکه های عصبی Feedforward در این بخش، ما در مورد شبکه های عصبی feedforward که به عنوان شبکه های feedforward  عمیق و یا Perceptron چند لایه شناخته شده است یاد خواهیم گرفت. که در واقع اساس بسیاری از شبکه های عصبی مهم که اخیراً مورد استفاده قرار گرفته اند می باشند، مانند شبکه های عصبی Convolutional (که به طور گسترده در برنامه های بینایی کامپیوتری مورد استفاده قرار می گیرند)، شبکه های عصبی مجدد (که به طور گسترده در فهم [...]

شناسایی اشیاء از طریق یادگیری عمیق

الگوریتم R_CNN  به عنوان الگوریتم پایه شناسایی اشیا از طریق یادگیری عمیق محسوب می شود.این الگوریتم راه را برای محققان برای ساخت الگوریتم پیچیده تر و بهتر بر روی این الگوریتم فراهم کرد. من سعی می کنم R-CNN و سایر انواع آن را توضیح بدم.   شبکه های عصبی کانولوشن بر پایه نواحی (R-CNN) : R-CNN شامل ۳ مرحله ساده است: تصویر ورودی را جهت اشیاء احتمالی  با استفاده از الگوریتم  Selective Search اسکن می کند و پس از آن تقریباً  ۲۰۰۰  ناحیه [...]