Antra dalis Flashcards
(39 cards)
Nuostolių funkcijos (loss)
Matuoja skirtumą tarp modelio prognozių ir tikrųjų reikšmių.
Kam reikalingos nuostolių funkcijos?
Padeda modeliui suprasti kiek jo prognozės skiriasi nuo tikrovės, algoritmas tuomet atnaujina modelio svorius, kad sumažintų klaidą
Vidutinės kvadratinės paklaidos (MSE) nuostoliu funkcija
Skaičiuoja kvadratinių skirtumų tarp prognozuotų ir tikrųjų reikšmių vidurkį
Kryžminės entropijos (cross-entropy) nuostoliu funkcija
Matuoja skirtumą tarp tikrosios klasės ir modelios prognozuotų tikimybių
Optimizatoriai
Algoritmai, kurie nustato, kaip atnaujinti neuroninio tinklo svorius mokymo metu, siekiant sumažinti nuostolių funkciją
Stochastinis gradientų nusileidimas (SGD optimizatorius)
Optimizavimo metodas, kuris atnaujina svorius po kiekvieno duomenų pavyzdžio
Adam optimizatorius
Sujungia inercijos (momentum) metodą ir adaptuojamus mokymosi tempus, dėl to efektyviai konverguoja daugelyje situacijų
Reguliarizacija
Metodų rinkinys, padedantis sumažinti testavimo paklaidą ir išvengti permokymo
Ankstyvasis sustabdymas
Mokymas stabdomas, kai modelio tikslumas testavimo metu nebegerėja, siekiant išvengti permokymo
Rinkinio (batch) normalizacija
Normalizuoja sluoksnio įėjimus, mažina vidaus kintamumą ir paspartina mokymą
Atsitiktinio praretinimo tranformacija (Dropout)
Mokymo metu atsitiktinai išjungia dalį neuronų, priversdama tinklą būti atsparesnį ir išmokti geresnių apibendrinimų
Duomenų augmentacija (augmentation)
Duomenų išplėtimo metodas, kuriuo sukuriami nauji pavyzdžiai keičiant esamus
L2 reguliarizacija
Prideda baudos terminą už didelius svorius, todėl modelis yra skatinamas rinktis mažesnius svorius ir mokytis iš paprastesnių sprendimų
Kompiuterinė rega
Leidžia kompiuteriams analizuoti ir interpretuoti vizualinę informaciją iš vaizdų ar vaizdo įrašų
Objektų aptikimas
Ne tik atpažįsta objektų klases paveikslelyje, bet ir nusako jų tikslias vietas (ribines dežutes)
Vaizdų klasifikavimas
Priskiria visam paveikslėliui vieną klasę
Semantinis segmentavimas
Priskiria kiekvienam vaizdo pikseliui klasę, leidžiant tiksliai pažymėti objektų ribas paveikslėlyje
Kovoliucija
Pagrindine operacija konvoliuciniuose neuroniniuose tinkluose, leidžianti aptikti vietinius duomenų bruožus, tokius kaip kražtai ar tekstūros
Kokiu būdu veikia konvoliucija
Ji atliekama taikant “slankiojanti langą” (filtrą), kuris juda per įvesties duomenis, išgaudamas vietines savybes
Konvoliuciniai neuroniniai tinklai (CNN)
Specializuoti neuroniniai tinklai, skirti vaizdinių duomenų apdorojimui.
Kaip veikia CNN
Jie automatiškai išmoksta išgauti reikšmingas savybes iš paveikslelių, naudodami mažų dydžių filtrus (branduolius), kurie leidžia sumažinti parametrų skaičių ir skaičiavimo sudėtingumą
Sutelkimas (pooling)
Sumažina erdvinį duomenų dydį, išlaikydamas svarbiausią informaciją.
AlexNet
Pirmasis gilus CNN tinklas, pirmasis plačiai panaudojo ReLU aktyvacijas ir sudėtines konvoliuvines struktūras
VGG, ResNet
VGG turėjo 16-19 sluoksnių tinklą, ResNet įvedė likutinius ryšius (skip connections), leidžiančius treniruoti labai gilius tinklus