CNN-arkitektur
forkortelse for Convolutional Neural Network
Arkitekturen for et konvolutionelt neuralt netværk består af en stak af konvolutionslag, aktiveringsfunktioner, poolinglag og til sidst fuldt forbundne lag, designet til at udtrække hierarkiske træk fra inputdata som billeder.
Kort fortalt
CNN-arkitektur er en særlig opbygning af et neuralt netværk der bruger filtres til at genkende mønstre som kanter og former i billeder.
- Kategori
- arkitektur
- Niveau
- øvet
Betydninger
1- 1
Den grundlæggende struktur af et konvolutionelt neuralt netværk, der inkluderer konvolutionslag, aktiveringsfunktioner, poolinglag og fuldt forbundne lag, arrangeret for at lære hierarkiske repræsentationer af data.
- En klassisk CNN-arkitektur består af flere konvolutionslag efterfulgt af max-pooling og derefter et eller flere fuldt forbundne lag. — Almindelig lærebog
Hvornår bruges det
CNN-arkitekturer bruges primært til billedgenkendelse, objektdetektion og andre computer vision-opgaver. De anvendes også i naturlig sprogbehandling og lydanalyse. Moderne CNN-arkitekturer som ResNet og EfficientNet er ofte dybere med forbindelser på tværs af lag.
Kodeeksempel
from tensorflow.keras import layers, models
model = models.Sequential([
layers.Conv2D(32, (3,3), activation='relu', input_shape=(32,32,3)),
layers.MaxPooling2D((2,2)),
layers.Conv2D(64, (3,3), activation='relu'),
layers.MaxPooling2D((2,2)),
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10, activation='softmax')
])Eksempel på en simpel CNN-arkitektur i Keras til klassifikation af CIFAR-10-billeder.
Oprindelse
Udtrykket 'CNN' står for 'Convolutional Neural Network' (konvolutionelt neuralt netværk), udviklet inspireret af den visuelle cortex hos dyr. 'Arkitektur' henviser til den specifikke opbygning af lag og forbindelser.
Afledte ord
3Kilder
2- LeCun et al., Gradient-Based Learning Applied to Document Recognition, 1998
- Krizhevsky et al., ImageNet Classification with Deep Convolutional Neural Networks, 2012