Свёрточные нейронные сети 

Количество требуемых примеров для обучения чаще всего зависит от решаемой задачи. Персептрон колоссальное число примеров может не потянуть. Меньшее число настраиваемых параметров у свёрточных НС влечёт за собой сходимость раньше, чем у НС прямого распространения типа персептрон.

2:51 Операция свёртки (convolution) Операция пулинга (pooling)

Имеется две части нейросети. Первую часть, которая состоит из сверточных и pulling слоев должна помочь выделить признаки изображения путем преобразования входного тензора в тензор какого-то другого размера, который буде нести в себе достаточное количество полезной информации. Вторую часть нейросети, состоящей из fully connected слоев, используют для предсказания классов изображения по полученному тензору. Тайминг 2:09

4:10 Имеется фильтр G(3x3) и есть изображение I (W=6, H=6). Фильтр представляет квадратную матрицу меньшего размера FxF. Далее поэлементно умножаем матрицу фильтра на фрагмент изображения такого же размера, начиная с левого верхнего угла изображения. После поэлементного произведения получаем матрицу размера 3х3. Далее складываем все элементы этой матрицы и записываем полученное число в левый верхний угол результирующей матрицы. Это лишь одна операция свёртки с фильтром FxF. Чтобы свернуть всё изображение с этим фильтром необходимо продолжить эту операцию, двигаясь по изображению по одному пикселю по ширине и записывая результат свёртки в соответствующую ячейку результирующей матрицы. После того как мы достигли границы по ширине, двигаем фильтр на 1 пиксель ниже и ставим его в начало( в лево ) и повторяем прошлые шаги. Так мы делаем до тех пор, пока не пройдем по всему изображению. После свертки ч/б изображения одним фильтром - образуется матрица (H - F + 1)x(W - F + 1). То есть если изначальное изображение было 6х6 то после свертки будет 4х4.

Операция свертки Операция пулинга 3:09

2:37 Называют классификатор. Это просто один или несколько полноценных слоев, которые используются для предсказания класса изображения по полученному от fitch экстрактора тензора.

3:33 Потому что полносвязная нейронная сеть не пытается уловить какие-то пространственные взаимосвязи на изображении, а просто взвешивает значение пикселей

1:00

12:04 Нет весов, они просто выделяют из тензора числа по определённым правилам

Ответ: (10:17) Pooling слои служат для того, чтобы сжимать размерность текущего тензора по ширине и высоте, и контролировать размеры текущих тензоров в нейронной сети.

8:25 При прохождении через сверточный слой, изображение сворачивается каждым из k-фильтров этого слоя

1:40 - она заключается в том, чтобы по входному изображению определить, что именно изображено, то есть определить класс объекта по его изображению

0:40 Из пикселей

Ответ: (8:08) Свёрточный слой использует операцию свёртки для эффективного распознавания объектов на изображении.

Ответ 8:06

надо привести не только тайминг, но и сам текст ответа

Ответ: 10:07. Это получаемые после сверточных слоев тензоры.

1:10 Глубина равна 3, так как цветов всего 3: красный, синий и зеленый

0:52 0 - черный пиксель, 255 - белый пиксель

Для того чтобы сжимать размерность текущего тензора по ширине и высоте и контролировать размеры текущих тензоров.

суть в том чтобы по входному изображению определить что именно изображено, то есть предсказать класс по изображению

11:04 Считается среднее чисел в фрагменте

Идея в том что каждый фильтр влияет на изображения по разному, давая таким образом какое-то одно полезное представление. 8:53

11:44 Веса представляют собой числа внутри фильтров

Ответ: Max Pooling и Average Pooling( 10:43 )