د فیچر استخراج د عکس پیژندنې دندو لپاره پلي شوي د convolutional عصبي شبکې (CNN) پروسې کې یو مهم ګام دی. په CNNs کې، د ځانګړتیاوو استخراج پروسه د ان پټ انځورونو څخه د معنی وړ ځانګړتیاوو استخراج شامل دي ترڅو دقیق طبقه بندي اسانه کړي. دا پروسه اړینه ده ځکه چې د عکسونو خام پکسل ارزښتونه په مستقیم ډول د ډلبندۍ دندو لپاره مناسب ندي. د اړوندو ځانګړتیاوو په استخراج سره، CNNs کولی شي په انځورونو کې د نمونو او شکلونو پیژندل زده کړي، دوی ته دا توان ورکوي چې د شیانو یا ادارو د مختلفو ټولګیو ترمنځ توپیر وکړي.
په CNNs کې د خصوصیت استخراج پروسه معمولا د قناعتي پرتونو کارول شامل دي. دا پرتونه فلټرونه پلي کوي، چې د کرنل په نوم هم پیژندل کیږي، د ان پټ انځور ته. هر فلټر د ان پټ انځور په اوږدو کې سکین کوي، د عنصر په اساس ضرب او د مجموعې عملیات ترسره کوي ترڅو د ځانګړتیا نقشه تولید کړي. د فیچر نقشه ځانګړي نمونې یا ځانګړتیاوې په ان پټ عکس کې شتون لري لکه څنډې، جوړښت، یا شکلونه. په قناعتي پرتونو کې د ډیری فلټرونو کارول CNNs ته اجازه ورکوي چې په مختلف ځایي درجه بندۍ کې د ځانګړتیاو مختلف سیټ استخراج کړي.
د قناعتي پرتونو وروسته، CNNs ډیری وختونه د فعال کولو فعالیتونه لکه ReLU (اصلاح شوي خطي واحد) شاملوي ترڅو ماډل کې غیر خطي بڼه معرفي کړي. د غیر خطي فعالیت فعالیت د CNNs وړتیا لپاره خورا مهم دي ترڅو په ډیټا کې پیچلي اړیکې او نمونې زده کړي. د حوض کولو پرتونه، لکه میکس پولینګ یا اوسط پولینګ، بیا په عموم ډول د فیچر نقشې ځایي ابعاد کمولو لپاره پلي کیږي پداسې حال کې چې خورا اړونده معلومات ساتي. پولینګ د ان پټ عکسونو توپیرونو ته د شبکې ډیر قوي کولو کې مرسته کوي او د کمپیوټري پیچلتیا کموي.
د قناعتي او پولینګ پرتونو په تعقیب، استخراج شوي ځانګړتیاوې په ویکتور کې فلیټ شوي او د یو یا ډیرو بشپړو تړلو پرتونو څخه تیریږي. دا پرتونه د ډلبندۍ په توګه کار کوي، د ورته محصول ټولګیو ته د استخراج شوي ځانګړتیاوو نقشه کولو زده کړه. وروستی بشپړ وصل شوی پرت معمولا د softmax فعالیت فعالیت کاروي ترڅو د څو درجې طبقه بندي کارونو لپاره د ټولګي احتمالات رامینځته کړي.
د انځور پیژندنې لپاره په CNN کې د ځانګړتیا استخراج پروسې روښانه کولو لپاره، د جامو انځورونو طبقه بندي کولو مثال په پام کې ونیسئ. په دې سناریو کې، CNN به زده کړي چې ځانګړتیاوې لکه جوړښت، رنګونه، او نمونې چې د جامو مختلف ډولونو لپاره ځانګړي وي، لکه بوټان، کمیسونه، یا پتلون. د لیبل شوي جامو عکسونو لوی ډیټاسیټ پروسس کولو سره ، CNN به په تکراري ډول خپل فلټرونه او وزنونه تنظیم کړي ترڅو دا ځانګړي ځانګړتیاوې په دقت سره وپیژني او طبقه بندي کړي ، په نهایت کې دا توان ورکوي چې د لوړ دقت سره د نه لیدل شوي عکسونو وړاندوینې وکړي.
د فیچر استخراج د عکس پیژندنې لپاره د CNNs بنسټیز برخه ده، ماډل توانوي چې زده کړي او د ان پټ انځورونو کې د اړونده نمونو او ځانګړتیاو ترمنځ توپیر وکړي. د قناعت وړ پرتونو، د فعالولو دندو، د حوض کولو پرتونو، او په بشپړه توګه تړل شوي پرتونو په کارولو سره، CNNs کولی شي په اغیزمنه توګه د ډلبندۍ د دندو د ترسره کولو لپاره معنی لرونکي ځانګړتیاوې استخراج او ګټه پورته کړي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/TFF TensorFlow اساسات:
- څنګه کولای شو چی د ویکتورونو په توګه د کلمو د نمایندګۍ د پلاټ لپاره مناسب محورونه په اتوماتيک ډول وټاکو لپاره د سرایت کولو پرت وکاروو؟
- په CNN کې د اعظمي پولینګ هدف څه دی؟
- ایا دا اړینه ده چې په TensorFlow.js کې د ماشین زده کړې ماډلونو لپاره د غیر متناسب زده کړې فعالیت وکاروئ؟
- د TensorFlow Keras Tokenizer API د کلمو پیرامیټر اعظمي شمیر څه دی؟
- ایا TensorFlow Keras Tokenizer API د ډیری مکرر کلمو موندلو لپاره کارول کیدی شي؟
- TOCO څه شی دی؟
- د ماشین زده کړې ماډل کې د یو شمیر دورونو او د ماډل چلولو څخه د وړاندوینې دقت ترمنځ اړیکه څه ده؟
- ایا د TensorFlow په عصبي جوړښت شوي زده کړې کې د پیک ګاونډی API د طبیعي ګراف ډیټا پراساس د روزنې ډیټاسیټ وده کوي؟
- د TensorFlow په عصبي ساختماني زده کړې کې د پیک ګاونډی API څه شی دی؟
- ایا د عصبي جوړښت زده کړې د ډیټا سره کارول کیدی شي د کوم لپاره چې طبیعي ګراف شتون نلري؟
نورې پوښتنې او ځوابونه په EITC/AI/TFF TensorFlow Fundamentals کې وګورئ