Konvolüsyon, havuzlama ve özellik haritaları
Önce bunlara göz at
30 saniyede özet · Ne öğreneceksin
Evrişimsel sinir ağları (CNN), görsel veriyi işlemek için özel olarak tasarlanmıştır. Ağırlık paylaşımı sayesinde tam bağlı ağlara göre çok daha az parametre kullanır ve uzamsal örüntüleri doğal biçimde öğrenir.
Küçük bir filtre (kernel) — örneğin 3×3'lük matris — görüntü üzerinde kayar. Her konumda f…
Max Pooling: Her bölgede maksimum değeri alır. Özellik haritasını küçültür, en belirgin si…
⚡ İnteraktif Playground
💡AlexNet (2012) CUDA GPU'lar üzerinde eğitilmiş ilk büyük CNN'dir. ImageNet yarışmasında ikinci sıradan %10.8 puan farkla kazandı. Bu başarı derin öğrenme devrimimini resmen başlattı.
✦ Quiz
3×3 konvolüsyon filtresinin kaç öğrenilebilir parametresi vardır (bias dahil)?
LeNet-5 (1998): İlk başarılı CNN, el yazısı rakam tanıma. 2 konvolüsyon + 3 tam bağlı katm…
PyTorch'ta basit CNN — CIFAR-10 için
| 1 | import torch.nn as nn |
| 2 | |
| 3 | class SimpleCNN(nn.Module): |
| 4 | def __init__(self): |
| 5 | super().__init__() |
| 6 | self.features = nn.Sequential( |
| 7 | nn.Conv2d(3, 32, kernel_size=3, padding=1), # 3 kanal giriş (RGB) |
| 8 | nn.ReLU(), |
| 9 | nn.MaxPool2d(2, 2), # 32×32 → 16×16 |
| 10 | nn.Conv2d(32, 64, kernel_size=3, padding=1), |
| 11 | nn.ReLU(), |
| 12 | nn.MaxPool2d(2, 2), # 16×16 → 8×8 |
| 13 | ) |
| 14 | self.classifier = nn.Sequential( |
| 15 | nn.Flatten(), |
| 16 | nn.Linear(64 * 8 * 8, 256), |
| 17 | nn.ReLU(), |
| 18 | nn.Linear(256, 10) # 10 sınıf |
| 19 | ) |
| 20 | |
| 21 | def forward(self, x): |
| 22 | return self.classifier(self.features(x)) |
| 23 | |
| 24 | model = SimpleCNN() |
| 25 | print(sum(p.numel() for p in model.parameters()), "parametre") |
✦ Quiz
ResNet'teki artık bağlantıların (skip connections) temel amacı nedir?
Bu konunun pratiği
Bu konuyu interaktif dene
Az önce okuduğun kavramın parametrelerini değiştir, etkisini canlı gör