Сверточная нейронная сеть (Convolutional Neural Network, CNN) - это вид искусственных нейронных сетей, основанный на применении математической операции свертки. Они были разработаны специально для обработки данных с множеством координат, таких как изображения или временные ряды. Сверточные сети обеспечивают эффективное распознавание признаков, масштабируемость и способность к обобщению.
Основные компоненты сверточной нейронной сети:
1. Сверточный слой (Convolutional layer) - основной тип слоев CNN, здесь происходит применение операции свертки. В сверточном слое каждый "нейрон" соединяется с небольшим локальным участком предыдущего слоя, а не со всеми нейронами, как в полносвязной нейронной сети. Это позволяет учесть локальные свойства данных и снизить количество параметров сети.
2. Реляционный слой (ReLU, Rectified Linear Unit) – является по сути функцией активации, и задачей данного слоя является введение нелинейности. Это делается для того, чтобы вместо простых линейных комбинаций весов и входных значений на выходе слоя, на протяжении сети, получать более сложные функции. Функция ReLU очень популярна в сверточных нейросетях из-за своей простоты и эффективности.
3. Слой объединения (Pooling) – выполняет операцию уменьшения размерности пространственного изображения. Слой объединения устойчив к небольшим трансформациям входных данных, что помогает избегать переобучения и уменьшает число параметров сети. Самый распространенный вид объединения - максимальное (max-pooling) - выбирает максимум среди значений подматрицы входных данных.
4. Полносвязный слой (Fully connected layer) – обычный слой нейронной сети, где каждый нейрон соединяется со всеми нейронами предыдущего слоя. В сверточных сетях такие слои часто применяются в конце, когда изначальное изображение уже преобразовано в набор высокоуровневых признаков.
Классическая архитектура CNN состоит из нескольких чередующихся сверточных и объединяющих слоев, и заканчивается несколькими полносвязными слоями. Выход полносвязного слоя обычно делает предсказание, применяя также функцию активации в зависимости от задачи (например, Softmax для задачи классификации).
Сверточные нейросети были первоначально разработаны для задач компьютерного зрения, таких как распознавание образов, и в настоящее время они являются одними из лучших инструментов для анализа изображений. Однако CNN также применима для других видов данных, которые имеют геометрическое расположение и локальные свойства, такие как пространственно-временные данные, аудио сигналы и тексты.
