¿La red neuronal convolucional (CNN) tiene que ver con la arquitectura de red y factores como la tasa de aprendizaje, la función de pérdida utilizada, etc.

• CNN es ampliamente utilizado en clasificación de imágenes, detección de objetos, etc., principalmente relacionado con imágenes (2-D) y videos (3-D). Entonces, esta respuesta será desde la perspectiva de la aplicación de CNN para la clasificación de imágenes, detección y tareas relacionadas.
• Si CNN fuera solo sobre arquitectura de red, tasa de aprendizaje, función de pérdida utilizada, la red neuronal artificial normal habría sido suficiente para diversas tareas en imágenes y datos relacionados. No había necesidad de las capas de convolución.
• En realidad, este no es el caso. Los filtros de convolución que se aplican en la capa de convolución extraen la entidad de una imagen. Estos pesos también se pueden aprender.
• Max pool layer ayuda a extraer la característica más importante y también la invariancia espacial (la ubicación de la característica en una imagen no importa). Estas dos capas son muy importantes.
• Junto con esto, la elección de la función de pérdida adecuada, la arquitectura de red, la tasa de aprendizaje, el optimizador (Adam, SGD, rmsprop, etc.) ayuda a mejorar el rendimiento y la precisión.
• VGG-16 tiene capas de convolución consecutivas seguidas de una capa de grupo máximo, esta red mejoró la precisión en el conjunto de datos de Imagenet con 1000 clases. La red tiene 16 capas de profundidad (también hay un VGG-19 con 19 capas).
• Mire – Página de inicio de Visual Geometry Group
• Además, dado que fue entrenado en un conjunto de datos masivo con 1000 clases, habría aprendido a extraer características apropiadas de una imagen. Por lo tanto, muchos investigadores utilizan los pesos de modelos previamente entrenados para muchas aplicaciones que utilizan el aprendizaje por transferencia.
• Por lo tanto, es la arquitectura de red (convolución, capas de grupo máximo) y varios hiperparámetros en su conjunto lo que determina la precisión cuando se aplica a varias aplicaciones.

No, las CNN son muy útiles cuando tiene datos estructurados y cuando crea modelos secuenciales. Desde el reconocimiento de imágenes hasta el procesamiento del lenguaje natural, las CNN pueden manejar todo. La función de pérdida se usa en todo el aprendizaje automático para verificar qué tan eficientes están trabajando sus clasificadores. Las funciones de activación se utilizan en redes metálicas completas para no linealidad en neural neural. Nada es específico de CNN. Tendrás que cuidar los hiperparámetros para entrenar bien a los NN.

Por favor suscríbase a

https://www.youtube.com/channel/ …

Espero que responda todas sus consultas.
Cubre aprendizaje automático, aprendizaje profundo, PNL, visión por computadora. Todos los marcos de aprendizaje profundo están cubiertos Tensorflow, keras, pytorch. Las redes neuronales como RNN, CNN, GAN se han detallado en el debate. Las competiciones de Kaggle también están incluidas.
Buena suerte