Ang VGG-16 ay isang network na nakamit ang 92.7% na katumpakan sa ImageNet top-5 classification noong 2014. Ito ay may ganitong istruktura ng mga layer:
Tulad ng nakikita mo, sinusunod ng VGG ang tradisyunal na pyramid architecture, na isang sunod-sunod na convolution-pooling layers.
Larawan mula sa Researchgate
Ang ResNet ay isang pamilya ng mga modelo na iminungkahi ng Microsoft Research noong 2015. Ang pangunahing ideya ng ResNet ay ang paggamit ng residual blocks:
Larawan mula sa papel na ito
Ang dahilan ng paggamit ng identity pass-through ay upang ang ating layer ay mag-predict ng pagkakaiba sa pagitan ng resulta ng nakaraang layer at ng output ng residual block - kaya tinawag itong residual. Ang mga blocks na ito ay mas madaling i-train, at maaaring bumuo ng mga network na may daan-daang ganitong blocks (ang mga karaniwang variant ay ResNet-52, ResNet-101, at ResNet-152).
Maaari mo ring isipin ang network na ito bilang may kakayahang i-adjust ang complexity nito sa dataset. Sa simula, kapag sinisimulan mong i-train ang network, ang mga halaga ng weights ay maliit, at karamihan ng signal ay dumadaan sa identity layers. Habang umuusad ang training at lumalaki ang weights, tumataas ang kahalagahan ng mga parameter ng network, at ina-adjust ng network ang sarili upang maabot ang kinakailangang expressive power para tama ang pag-classify ng mga training images.
Ang arkitektura ng Google Inception ay nagdadala ng ideyang ito sa mas mataas na antas, at binubuo ang bawat layer ng network bilang kombinasyon ng iba't ibang paths:
Larawan mula sa Researchgate
Dito, kailangan nating bigyang-diin ang papel ng 1x1 convolutions, dahil sa una ay tila walang saysay ang mga ito. Bakit natin kailangang i-run ang imahe gamit ang 1x1 filter? Gayunpaman, kailangan mong tandaan na ang convolution filters ay gumagana rin sa ilang depth channels (orihinal - RGB colors, sa mga susunod na layer - channels para sa iba't ibang filters), at ang 1x1 convolution ay ginagamit upang pagsamahin ang mga input channels gamit ang iba't ibang trainable weights. Maaari rin itong ituring bilang downsampling (pooling) sa channel dimension.
Narito ang isang magandang blog post tungkol sa paksa, at ang orihinal na papel.
Ang MobileNet ay isang pamilya ng mga modelo na may mas maliit na sukat, na angkop para sa mga mobile devices. Gamitin ang mga ito kung kulang ka sa resources at handang magsakripisyo ng kaunting katumpakan. Ang pangunahing ideya sa likod nito ay ang tinatawag na depthwise separable convolution, na nagpapahintulot na i-represent ang convolution filters sa pamamagitan ng komposisyon ng spatial convolutions at 1x1 convolution sa depth channels. Malaki ang nababawas sa bilang ng mga parameter, kaya mas maliit ang network sa sukat, at mas madali itong i-train kahit kaunti ang data.
Narito ang isang magandang blog post tungkol sa MobileNet.
Sa unit na ito, natutunan mo ang pangunahing konsepto sa likod ng computer vision neural networks - convolutional networks. Ang mga arkitektura sa totoong buhay na nagpapagana sa image classification, object detection, at maging sa image generation networks ay lahat nakabatay sa CNNs, na may mas maraming layers at ilang karagdagang training tricks.
Sa mga kasamang notebooks, may mga tala sa ibaba tungkol sa kung paano makakamit ang mas mataas na katumpakan. Subukan ang ilang eksperimento upang makita kung kaya mong makamit ang mas mataas na katumpakan.
Bagama't ang CNNs ay kadalasang ginagamit para sa mga Computer Vision tasks, magaling din ang mga ito sa pagkuha ng mga fixed-sized patterns. Halimbawa, kung ang ating pinoproseso ay tunog, maaari rin nating gamitin ang CNNs upang maghanap ng ilang partikular na patterns sa audio signal - kung saan ang filters ay magiging 1-dimensional (at tatawagin itong 1D-CNN). Gayundin, minsan ginagamit ang 3D-CNN upang kumuha ng features sa multi-dimensional space, tulad ng ilang mga pangyayari sa video - maaaring makuha ng CNN ang ilang patterns ng pagbabago ng features sa paglipas ng panahon. Mag-review at mag-aral sa sarili tungkol sa iba pang mga tasks na maaaring gawin gamit ang CNNs.
Sa lab na ito, ang iyong gawain ay i-classify ang iba't ibang lahi ng pusa at aso. Ang mga imaheng ito ay mas kumplikado kaysa sa MNIST dataset, mas mataas ang dimensyon, at higit sa 10 klase ang mayroon.