Fundamentos do treinamento de redes neurais convolucionais Ppt
Este conjunto de slides fornece uma visão geral das redes neurais convolucionais. ConvNet, é um projeto de rede de Deep Learning que aprende com os dados sem a necessidade de extração de recursos humanos. As CNNs são benéficas para reconhecer objetos, rostos e configurações, procurando padrões nas imagens. Esses slides também explicam o funcionamento das CNNs e suas camadas.
You must be logged in to download this presentation.
audience
Editable
of Time
Recursos desses slides de apresentação do PowerPoint:
People who downloaded this PowerPoint presentation also viewed the following :
Conteúdo desta apresentação em Powerpoint
Slide 1
Este slide fornece uma visão geral das Redes Neurais Convolucionais. ConvNet, é um projeto de rede de aprendizado profundo que aprende com os dados sem a necessidade de extração de recursos humanos. As CNNs são benéficas para reconhecer objetos, rostos e configurações, procurando padrões nas imagens.
Slide 2
Este slide descreve como funcionam as Redes Neurais Convolucionais. As CNNs são divididas em três camadas: camada convolucional, camada de pooling e camada totalmente conectada.
Slide 3
Este slide descreve a camada convolucional em uma rede neural convolucional. A maior parte da computação ocorre na camada convolucional de uma CNN. Essa camada requer dados de entrada, um filtro e um mapa de recursos.
Slide 4
Este slide descreve os hiperparâmetros da camada de Convolução em uma CNN. Esses parâmetros são o número de filtros, passo e preenchimento zero, que são divididos em preenchimento válido, mesmo preenchimento e preenchimento completo.
Notas do instrutor:
- Número de filtros: A profundidade da saída é determinada pela quantidade de filtros usados. Três filtros distintos, por exemplo, resultariam em três mapas de recursos distintos, resultando em uma profundidade de três
- Stride: O passo do kernel é o número de pixels percorridos pela matriz de entrada. Apesar do fato de valores de passada de dois ou mais serem incomuns, uma passada mais longa significa menos saída
- Preenchimento zero: O preenchimento zero é usado quando os filtros não se ajustam à imagem de entrada. Todos os membros fora da matriz de entrada são definidos como zero, resultando em uma saída maior ou de tamanho igual. O preenchimento é de três tipos
- Preenchimento válido: também conhecido como "sem preenchimento". Se as dimensões não se alinharem, a última convolução é descartada
- Mesmo preenchimento: Este preenchimento garante que o tamanho da camada de saída e da camada de entrada seja o mesmo
- Preenchimento completo: esse tipo de preenchimento aumenta o tamanho da saída, preenchendo a borda da entrada com zeros
Slide 5
Este slide descreve a Camada de Pooling em uma Rede Neural Convolucional. A redução da resolução, também conhecida como camadas de agrupamento, reduz o número de parâmetros na entrada reduzindo a dimensionalidade. Max Pooling e Average Pooling são seus dois tipos.
Notas do instrutor: O processo de agrupamento varre um filtro em toda a entrada, semelhante à camada convolucional, exceto que esse filtro não tem pesos. Em vez de preencher a matriz de saída com valores do campo receptivo, o kernel usa uma função de agregação.
- Max Pooling: O filtro escolhe o pixel com o valor mais alto para transmitir para a matriz de saída à medida que avança pela entrada. Em comparação com o pooling médio, essa estratégia é empregada com mais frequência
- Average Pooling: O valor médio dentro do campo receptivo é determinado conforme o filtro passa pela entrada e é enviado para a matriz de saída
Slide 6
Este slide descreve a camada totalmente conectada em uma rede neural convolucional. Cada nó da camada de saída se conecta diretamente a um nó na camada anterior na camada totalmente conectada. Essa camada realiza a categorização com base nas feições extraídas pelas camadas anteriores e seus filtros.
Fundamentos do treinamento de redes neurais convolucionais com todos os 19 slides:
Use nosso Ppt de treinamento de Fundamentos de redes neurais convolucionais para ajudá-lo efetivamente a economizar seu valioso tempo. Eles estão prontos para caber em qualquer estrutura de apresentação.
-
The PPT layout is great and it has an effective design that helps in presenting corporate presentations. It's easy to edit and the stunning visuals make it an absolute steal!
-
I was never satisfied with my own presentation design but SlideTeam has solved that problem for me. Thank you SlideTeam!