💒CNN Mimarisi

CNN Notasyonu

ConvNet

Convolutional Neural Network yerine bu kısaltılmış ad kullanılmakta

ConvNet Hyperparametreleri

Parametre

Terim

Açıklama

$f$

Filter

Filtre boyutu

$s$

Stride

Adım sayısı

$p$

Padding

Doldurma miktarı

$n_{filter}$

# of filter

Filtre sayısı

ConvNet Örneği

Pooling Layer

Çok derin ağlarda avg pooling diğerlerinde max pooling kullanılır

Pooling

Açıklama

Max Pooling

En büyük pixel değerini alır

Avarage Pooling

Pixellerin ortalamasını alır

Max Pooling

En belirgiin özellikleri ortaya çıkarır
Filtredeki en büyük pixeli alır
Öğrenme olmaz, sadece işlem hızını etkiler
- Parametre ve gradient descent yok
- Sadece hyperparametreler var

⚠ Neden iyi çalıştığına dair net bir sebep bilinmiyor.

Neural Network Örneği

Parametrelerin (w, b) olmadığı alanlar katman olarak sayılmaz
- Pooling alanları bir öncesindeki CONV ile ortak katman olarak ele alınır

NN'de Katman Tablosu

Activation size ilerledikçe azalır
- Convolutional işlemlerinin başladığı CONV1 katmanında başlayarak azalır
Çok hızlı azalırsa model verimli çalışmaz

Matematiksel Notasyon

Superscript $[l]$ denotes an object of the $l^{th}$ layer.
- Example: $a^{[4]}$ is the $4^{th}$ layer activation. $W^{[5]}$ and $b^{[5]}$ are the $5^{th}$ layer parameters.
Superscript $(i)$ denotes an object from the $i^{th}$ example.
- Example: $x^{(i)}$ is the $i^{th}$ training example input.
Lowerscript $i$ denotes the $i^{th}$ entry of a vector.
- Example: $a^{[l]}_i$ denotes the $i^{th}$ entry of the activations in layer $l$, assuming this is a fully connected (FC) layer.
$n_H$, $n_W$ and $n_C$ denote respectively the height, width and number of channels of a given layer. If you want to reference a specific layer $l$, you can also write $n_H^{[l]}$, $n_W^{[l]}$, $n_C^{[l]}$.
$n_{H_{prev}}$, $n_{W_{prev}}$ and $n_{C_{prev}}$ denote respectively the height, width and number of channels of the previous layer. If referencing a specific layer $l$, this could also be denoted $n_H^{[l-1]}$, $n_W^{[l-1]}$, $n_C^{[l-1]}$.

PreviousCNN Giriş Next👁‍🗨 Klasik CNN Modellerini İnceleme

Last updated 11 months ago

Pooling Layer

Çok derin ağlarda avg pooling diğerlerinde max pooling kullanılır

Pooling

Açıklama

Max Pooling

En büyük pixel değerini alır

Avarage Pooling

Pixellerin ortalamasını alır

Max Pooling

En belirgiin özellikleri ortaya çıkarır

Filtredeki en büyük pixeli alır

Öğrenme olmaz, sadece işlem hızını etkiler

Parametre ve gradient descent yok
Sadece hyperparametreler var

⚠ Neden iyi çalıştığına dair net bir sebep bilinmiyor.

Neural Network Örneği

Parametrelerin (w, b) olmadığı alanlar katman olarak sayılmaz

Pooling alanları bir öncesindeki CONV ile ortak katman olarak ele alınır

NN'de Katman Tablosu

Activation size ilerledikçe azalır

Convolutional işlemlerinin başladığı CONV1 katmanında başlayarak azalır

Çok hızlı azalırsa model verimli çalışmaz

Matematiksel Notasyon

Superscript $[l]$ denotes an object of the $l^{th}$ layer.

Example: $a^{[4]}$ is the $4^{th}$ layer activation. $W^{[5]}$ and $b^{[5]}$ are the $5^{th}$ layer parameters.

Superscript $(i)$ denotes an object from the $i^{th}$ example.

Example: $x^{(i)}$ is the $i^{th}$ training example input.

Lowerscript $i$ denotes the $i^{th}$ entry of a vector.

Example: $a^{[l]}_i$ denotes the $i^{th}$ entry of the activations in layer $l$, assuming this is a fully connected (FC) layer.

$n_H$, $n_W$ and $n_C$ denote respectively the height, width and number of channels of a given layer. If you want to reference a specific layer $l$, you can also write $n_H^{[l]}$, $n_W^{[l]}$, $n_C^{[l]}$.

$n_{H_{prev}}$, $n_{W_{prev}}$ and $n_{C_{prev}}$ denote respectively the height, width and number of channels of the previous layer. If referencing a specific layer $l$, this could also be denoted $n_H^{[l-1]}$, $n_W^{[l-1]}$, $n_C^{[l-1]}$.