Понимание сверточной нейронной сети

Термин «глубокое обучение» или «глубокая нейронная сеть» обозначает искусственные нейронные сети (ИНС) с несколькими слоями. За последние десятилетия глубокое обучение признано одним из наиболее мощных инструментов и стало очень популярным в литературе, поскольку позволяет обрабатывать большие объемы данных. Интерес к более глубоким скрытым слоям в последнее время превзошёл производительность классических методов в различных областях, особенно в задачах распознавания образов. Одна из наиболее популярных глубоких нейронных сетей — сверточная нейронная сеть (CNN), получившая название по математической линейной операции над матрицами, называемой свёрткой. CNN содержит несколько типов слоёв, включая свёрточные слои, слои нелинейности, пулинговые слои и полностью связанные (fully connected) слои. Свёрточные и полностью связанные слои имеют обучаемые параметры, тогда как пулинг и слои нелинейности не содержат параметров. CNN демонстрируют превосходную эффективность в задачах машинного обучения, особенно в приложениях, работающих с изображениями, таких как крупные наборы для классификации изображений (ImageNet), компьютерное зрение и обработка естественного языка (NLP); достигнутые результаты были впечатляющими. В данной статье мы объясняем и определяем все элементы и важные вопросы, связанные со сверточными нейронными сетями, и то, как эти элементы работают. Кроме того, мы указываем параметры, влияющие на эффективность CNN. В статье предполагается, что читатели обладают достаточными знаниями как в области машинного обучения, так и в области искусственных нейронных сетей.