شبکه عصبی کانولوشنی عمیق (Deep Convolutional Neural Network)، در ریاضیات (Mathematics)

انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :

شبکه عصبی کانولوشنی عمیق (Deep Convolutional Neural Network) :

شبکه عصبی کانولوشنی عمیق (Deep CNN) صرفا به CNNهایی با تعداد لایه های زیاد (بیش از ۵ تا ۱۰ لایه) اطلاق می شود. با افزایش عمق، مدل می تواند ویژگی های سلسله مراتبی و پیچیده تری یاد بگیرد. نقطه عطف آن در سال ۲۰۱۲ با AlexNet (۸ لایه) بود که دقت بسیار بالایی در ImageNet به دست آورد.

بعد از AlexNet، معماری های عمیق تری مانند VGG (۱۶-۱۹ لایه)، GoogLeNet (۲۲ لایه با ماژول های Inception) و ResNet (۵۰، ۱۰۱، ۱۵۲ لایه) ارائه شدند. ResNet با اتصالات باقیمانده توانست مشکل محو شدن گرادیان را کاهش دهد و شبکه های بسیار عمیق را ممکن سازد.

یک Deep CNN معمولی از چندین مرحله تشکیل شده: لایه های کانولوشن + فعال سازی + نرمال سازی + pooling. در انتها، چند لایه کاملا متصل (یا pooling میانگین جهانی) برای طبقه بندی قرار می گیرد. عمق شبکه باعث می شود لایه های ابتدایی لبه ها و بافت ها را یاد بگیرند، لایه های میانی اشکال و اجزا، و لایه های نهایی اشیاء کامل را.

آموزش Deep CNN نیاز به داده های زیاد، قدرت محاسباتی بالا (GPU) و تکنیک هایی مانند Batch Normalization، Dropout، افزایش داده (data augmentation)، و بهینه سازهای پیشرفته (مانند Adam) دارد.

کاربردها: هر جایی که CNN استفاده می شود، از تشخیص تصویر و ویدئو گرفته تا تحلیل تصاویر پزشکی و خودروهای خودران. Deep CNNها به یک استاندارد در بینایی کامپیوتر تبدیل شده اند.

پس از ResNet، تحقیقات به سمت معماری های کارآمدتر (مانند MobileNet، EfficientNet) و خودکار (NAS) رفته است.