Odam mushuk bilan odamni bir qarashda ajratadi, kompyuter esa 0~255 oraligʻidagi sonlar bilan zich toʻldirilgan jadvalni oladi. Rasmning matritsaga aylanish jarayonini bitta pikselgacha kuzatamiz, piksel masofasi nega “oʻxshashlik”ni oʻlchay olmasligini tekshiramiz, soʻng 3 × 3 filtr bilan qirralarni topadigan konvolyutsiyani qoʻlda hisoblaymiz. Oxirida odam tanlagan belgilarning (yuz ramkasi, tayanch nuqtalar, qirra kuchi) afzalliklari va cheklovlarini koʻrib chiqamiz.
Muallif · Sangsun Ahn (M-Robo Inc. bosh direktori) · Muallif haqida
Uchli quloqlar va jun, silliq teri. Odam ularni bir qarashda ajratadi. Kompyuter esa bu rasmni qanday koʻrinishda oladi va qaysi ishoralardan boshlab qidira oladi?
Muallif tayyorlagan tasvir. Chiziq va nuqtalar — odam oldindan aniqlab qoʻygan yuz tayanch nuqtalari.
Chapdagi mushuk ustidagi qizil chiziqlar peshona, koʻz va burunni tutashtiruvchi yuz karkasi, oʻngdagi odam ustidagi yashil ramka “bu yerda yuz bor” degan aniqlash natijasi, qizil nuqtalar jagʻ chizigʻi, qoshlar va lablar atrofidagi tayanch nuqtalar, pushti nuqtalar esa ikki koʻz, burun va ogʻizning asosiy joylashuvi. Bularning barchasi odam “nimaga qarash kerak”ligini oldindan hal qilib qoʻygan ishoralardir.
Bu qismda ikki narsani koʻramiz. Birinchidan, kompyuter oladigan narsa bunday chiziq va nuqtalar emas, balki sonlar matritsasi ekanini (2–3-boʻlimlar). Ikkinchidan, shu sonlardan qirra kabi ishoralarni topadigan filtrlarni va odam tanlagan ishoralarning cheklovlarini (4–6-boʻlimlar).
Sonli misollarni butun turkum davomida bitta chixuaxua rasmi (4-4 qahramoni) bilan kuzatib boramiz, chunki piksellar va filtrlar har qanday rasmda bir xil ishlaydi. Amaliyotda esa mushuk, odam, kuchukcha, chixuaxua va maffin — beshala rasmni ham tanlash mumkin.
Yangi boshlovchilar uchun tushuntirish
Odam uchun oson masala kompyuter uchun ham oson boʻlavermaydi. Odam rasmga qaragan zahoti “juni bor”, “qulogʻi uchli” ekanini payqaydi, kompyuter esa bu ishoralarni sonlardan birma-bir hisoblab chiqarishi kerak. Mushuk vs odam masalasida bu ishoralar ancha yaqqol, shuning uchun u tasvirlarni tasniflash boʻyicha birinchi mashq sifatida juda mos.
2Piksel
Piksel va matritsa — kompyuter oladigan eng kichik axborot
Rasm — sonlar toʻri, rangli rasm esa shunday toʻrlardan uchtasining ustma-ust qoʻyilgani. Model kirish sifatida oladigan eng kichik birlik — bitta kanal qiymati (0~255).
1Taʼrif
Raqamli rasm eniga va boʻyiga zich boʻlingan kichik kataklar toʻplamidir. Mana shu bitta katak piksel (pixel, picture element) deb ataladi. Bitta pikselda faqat bitta rang boʻladi va bu rang qizil (R), yashil (G) va koʻk (B) yorugʻlikning uchta kuchi bilan yoziladi. Kuch 0 (yorugʻlik yoʻq) dan 255 (eng yorugʻ) gacha boʻlgan butun son. Shuning uchun rangli rasm boʻy × en × 3 ta sondan iborat jadval, yaʼni matritsa (aniqrogʻi, 3 qavatli tenzor) boʻladi.
Shakliboʻyi H × eni W × kanal 3
Bitta qiymat0 ~ 255 butun son (8 bit)
Maʼnoga ega eng kichik birlikbitta kanal qiymati
Sodda qilib aytganda, bu katakli qogʻozni boʻyash oʻyini. Har bir katakka uchta boʻyoqdan (qizil, yashil, koʻk) necha tomchidan qoʻshilganini 0~255 bilan yozib qoʻysangiz, faqat shu qogʻozcha yordamida istalgan odam xuddi shu rasmni qayta boʻyab chiqa oladi. Kompyuterda rasm emas, aynan mana shu qogʻozcha bor.
2Formula
X[y, x, c] ∈ {0, 1, …, 255}, y = 1…H, x = 1…W, c ∈ {R, G, B}Eslatma: bu 0~255 qiymatlar ekranda koʻrsatish uchun tuzatilgan (gamma-kodlangan) qiymatlardir. Son ikki baravar katta boʻlsa, yorugʻlikning fizik kuchi ham aynan ikki baravar katta boʻladi, degani emas.
Kulrang yorqinlik Y = 0.299·R + 0.587·G + 0.114·BBu inson koʻzi yashil rangga eng sezgir ekanini hisobga olgan vaznli yigʻindi (ITU-R BT.601). Bitta rangli katak bitta songa qisqaradi.
Boʻyiga va eniga kataklar soni. Ikkalasi birgalikda ruxsat deb ataladi
c (kanal)
Rang qatlami. Rangli rasmda R, G, B — uchta, oq-qora rasmda bitta
X[y, x, c]
y-qator, x-katak, c kanaldagi bitta son. Model oladigan eng kichik kirish
Y
Uchta kanalni aralashtirib hosil qilingan kulrang yorqinlik
Formulani boʻlakma-boʻlak oʻqish
{0, 1, …, 255}Qiymat 256 xil butun son boʻlishi mumkin degani. 2⁸ = 256 boʻlgani uchun bitta son aynan 8 ta bit (1 bayt) ga sigʻadi.
H × W × 3Bu sonlar miqdori. Shu sahifadagi amaliyot rasmlarida 56 × 56 × 3 = 9 408 ta, keng tarqalgan model kirishi 224 × 224 × 3 da 150 528 ta, 12 megapiksellik telefon rasmida esa taxminan 36 million ta son bor.
0.299R + 0.587G + 0.114BBu perseptrondagi vaznli yigʻindi bilan bir xil koʻrinishda. Uchta sonni ulushlarga koʻpaytirib qoʻshsak, bitta yorqinlik hosil boʻladi. Uchta ulush yigʻindisi 1 ga teng, shuning uchun natija ham 0~255 oraligʻida qoladi.
x / 255Katta sonlarni 0~1 oraligʻiga kichraytirib, model ishlashini osonlashtiradi. Oldingi qismda koʻrgan normallashtirish bilan maqsadi bir xil.
Sonlar bilan sinab koʻramiz (chixuaxua rasmini 14 × 14 ga kichraytirganda)Koʻz katagi (R, G, B) = (39, 37, 43) → Y = 0.299×39 + 0.587×37 + 0.114×43 = 38.3 ≈ 38 (deyarli qora) Jun katagi (R, G, B) = (212, 161, 115) → Y = 0.299×212 + 0.587×161 + 0.114×115 = 171.0 ≈ 171 (och jigarrang) Ikki katak orasidagi farq 171 − 38 = 133. Mana shu keskin farq 4-boʻlimda “qirra” sifatida ilinadi.
3Diagramma · eng kichik axborotgacha boʻlib koʻramiz
4Talqin
Rasmni maydalashda davom etsak, bitta piksel katagi, uning ichidagi R·G·B sonlari va bitta sonni tashkil etuvchi 8 ta bitgacha tushamiz. Bit kompyuter saqlaydigan eng kichik birlik, lekin bitta bit na rang, na yorqinlik — u shunchaki yoqiq/oʻchiq holat.
Shuning uchun tasvirlar bilan chuqur oʻrganishda maʼnoga ega eng kichik axborot — bitta kanal qiymati, yaʼni “bu katakdagi qizil kuchi 39” degan son. Modelning birinchi qatlami aynan shu sonlarni (X[y, x, c]) kirish sifatida oladi.
Biroq bu bitta sonda “chixuaxua” degan maʼno umuman yoʻq. Koʻz pikseli (39, 37, 43) bilan chernika pikseli (37, 31, 37) sonlar boʻyicha deyarli bir xil. Maʼno koʻp piksellarning qanday joylashganidan paydo boʻladi, shu joylashuvlarni topish esa 4-boʻlimdagi belgilarni ajratib olishdir.
Chixuaxua rasmini eniga va boʻyiga 14 katakka boʻlib, koʻzdagi bitta katakni tanlab, uni songa aylantirish jarayoni. Oʻng tomondagi sonlar rasmning haqiqiy piksellaridan hisoblangan.
Asl rasm
Toʻrga boʻlish
Bitta katakni tanlash
R·G·B — uchta son
Bitta oq-qora son
Matritsa sifatida yoyish
6Piksel lupasi · bosib, sonlarni oʻzingiz koʻring
Rasm va ruxsatni tanlang, soʻng rasmdagi katakni bosing yoki sichqonchani ustiga olib boring. Yondagi (mobil qurilmada pastdagi) jadvalda tanlangan katak va uning atrofidagi 7 × 7 katakning haqiqiy sonlari koʻrsatiladi. Rasmni bosgandan keyin katakni strelka tugmalari bilan surish mumkin.
Rasmdagi birorta ham axborot yoʻqolmagan, eng halol kirish
Barcha rasmlar bir xil shaklda (H × W × 3) boʻlgani uchun bitta modelga bir xilda berish mumkin
Sonlar boʻlgani uchun darhol koʻpaytirish va qoʻshish bilan hisoblash mumkin
Cheklovlari
Sonlar juda koʻp: 224 × 224 oʻlchamli bitta rasmda 150 528 ta
Rasmni bir-ikki katakka surish yoki biroz yorugʻroq qilishning oʻzi ham deyarli barcha sonlarni oʻzgartirib yuboradi
Bitta sonda maʼno yoʻq. Koʻz va chernika bir xil son boʻlishi mumkin (4-boʻlim hamda 4-3 va 4-4 qismlarda koʻriladi)
Oʻrni: chuqur oʻrganishgacha piksellardan belgilarni ajratib olish qoidalarini odam oʻzi tuzgan (04 dagi landmarklar), 2012-yildan keyin esa CNN piksellarni oʻzgarishsiz qabul qilib, belgilarni ham oʻzi oʻrganadi.
✓Tekshiruv savoli
Q1. Eni 10 katak, boʻyi 10 katak boʻlgan rangli rasmda nechta son bor?
Q2. Piksel qiymati (R, G, B) = (0, 0, 0) qanday rang?
Q3. Ayni rasmni oʻngga ikki katak sursak, bir xil oʻrindagi sonlar nima boʻladi?
Q4. Tasvirlar bilan ishlaydigan chuqur oʻrganish modeli kirish sifatida oladigan eng kichik axborot qaysi?
Yangi boshlovchilar uchun tushuntirish
Piksel — rasmni tashkil etuvchi kichik katak, har bir katakda qizil, yashil va koʻk yorugʻlik kuchi 0~255 oraligʻidagi son bilan yozilgan. 4-1 dagi jadvalga oʻxshatsak, bitta rasm “boʻy × en × 3” ta katakdan iborat bitta qator. Piksel lupasida kataklarni bosib haqiqiy sonlarni tekshiring, ruxsatni oʻzgartirib, sonlar miqdori qanday oʻzgarishini kuzating.
3Piksel masofasi
Piksel masofasining tuzogʻi — bir katakka surishning oʻzi ham “boshqa rasm”
Ikki rasmning bir xil oʻrindagi sonlarini ayirib masofa oʻlchasak, “oʻxshashlik”ni oʻlchay olamizmi? Ayni chixuaxuani surib yoki qorongʻilashtirib, beshala rasm orasidagi masofalarni oʻlchab koʻramiz.
1Bir katakka surilsa ham “boshqa rasm”ga aylanadi Shu sahifadagi rasmlar boʻyicha
Ikki rasm orasidagi piksel masofasi — bir xil oʻrindagi oq-qora sonlar ayirmasini kvadratga koʻtarib, oʻrtachasini olib, undan kvadrat ildiz chiqarilgan qiymat (0 boʻlsa, rasmlar butunlay bir xil). Chixuaxuani yon tomonga surib yoki qorongʻilashtirib koʻring. Odam koʻziga u hamon oʻsha chixuaxua, lekin sonlar boʻyicha maffindan ham uzoqroq rasmga aylanib qolishi mumkin.
2Piksel masofalari jadvali: chixuaxua kimga yaqin? Shu sahifadagi rasmlar boʻyicha
Shu sahifadagi beshta rasmning har bir jufti orasidagi piksel masofasini oʻlchadik. Son qanchalik kichik boʻlsa, hisob boʻyicha rasmlar shunchalik “oʻxshash”. Eng kichik qiymatlar rang bilan ajratilgan.
Bu jadvaldagi qiymatlar shu sahifadagi beshta rasm (faqat yuz qismi kesib olinib, 56 × 56 ga kichraytirilgan) boʻyicha oʻlchangan. Boshqa rasmlar olinsa, fon, yoritish va kompozitsiyaga qarab qiymatlar ancha oʻzgaradi, biroq “piksel masofasi maʼnodagi masofadan farq qiladi” degan xulosa haqiqiy rasmlarda ham keng maʼlum xossadir.
3Colab · Kod 1 natijasi · boshqa rasmlar bilan oʻlchasak
Kod 1 scikit-image ichidagi mushuk rasmi (chelsea) va odam rasmining (astronaut) yuz qismini 56 × 56 ga kichraytirib, xuddi shu tajribani oʻtkazadi. Ayni mushukni 1 katak sursak masofa 16.9, 2 katak sursak 27.1, 8 katak sursak 40.5 gacha oʻsdi, mushuk bilan odam orasidagi masofa esa 85.3 boʻldi. Bir necha katak surishning oʻzi ham boshqa jonzotgacha boʻlgan masofaning qariyb yarmini beradi.
Piksel masofasi faqat “bir xil oʻrindagi sonlar oʻxshashmi”ni oʻlchaydi. Shuning uchun u joylashuv, yorqinlik va kompozitsiyaga sezgir, rasmda nima tasvirlanganini esa bilmaydi. Aynan shu cheklov 4-boʻlimdagi filtrlar va 4-3 dagi CNN nima uchun kerakligini koʻrsatadi.
Yangi boshlovchilar uchun tushuntirish
4-1 dagi k-NN “yaqin qoʻshnilar”dan soʻragan edi. Rasmlar bilan ham shunday qilish uchun rasmlar orasidagi masofa maʼnoni aks ettirishi kerak. Ammo piksel masofasi boʻyicha chixuaxua oʻzi kabi itdan (golden retriverdan) koʻra maffinga yaqinroq, ayni chixuaxua esa 4 katakka surilsa, maffindan ham uzoqlashib ketadi. Demak, rasmlarda qoʻshnilarni piksellar orasidagi xom masofa bilan qidirib boʻlmaydi.
4Konvolyutsiya
Konvolyutsiya va filtr — qoʻshni piksellar hosil qiladigan naqshlarni topish
3 × 3 sonlar jadvalini (filtrni) rasm ustida sirpantirib, koʻpaytiramiz va qoʻshamiz. Naqshga oʻxshash joylarda katta son chiqadi, natijalar toʻplami esa belgilar xaritasi deb ataladi.
1Model
Belgi — “shu yerda yorugʻ edi-yu, birdan qorongʻilashdi (qirra)”, “atrofidan dumaloq shaklda qorongʻiroq (nuqta)”, “ingichka chiziqlar zich joylashgan (jun tolalari)” kabi koʻp piksellar birgalikda hosil qiladigan pattern. CNN 3 × 3 kabi kichik sonlar jadvalini — filtrni (yadroni) rasm ustiga qoʻyib, bittadan katak sirpantirib boradi va ustma-ust tushgan sonlarni oʻzaro koʻpaytirib, hammasini qoʻshadi. Filtr naqshiga oʻxshash joylarda katta son, boshqa joylarda kichik son chiqadi, shu natijalardan tuzilgan yangi matritsa esa belgilar xaritasi boʻladi. Bu hisob konvolyutsiya deb ataladi.
Kirishpiksellar matritsasi X
Vositakichik filtr K (masalan, 3 × 3)
Chiqishbelgilar xaritasi F
Sodda qilib aytganda, bu naqshli muhr bilan qidirish oʻyini. “Chap tomoni qorongʻi, oʻng tomoni yorugʻ” naqshi oʻyilgan muhrni rasmning har bir joyiga bosib koʻrib, naqsh yaxshi mos tushgan har bir joyga yuqori ball yozamiz. Ballar jadvali toʻlganda rasmdagi vertikal qirralar qayerdaligi bir qarashda koʻrinadi. Muhrni almashtirsak, qidiriladigan naqsh ham oʻzgaradi.
2Formula
(X ∗ K)(i, j) = Σu=0…2 Σv=0…2 K(u, v) · X(i+u, j+v) + bMatematikadagi konvolyutsiyada filtr agʻdarib koʻpaytiriladi, chuqur oʻrganishda esa shu kabi agʻdarmasdan koʻpaytiradigan hisob (kross-korrelyatsiya) anʼanaviy ravishda “konvolyutsiya” deb ataladi. Filtr sonlari oʻqitish orqali topilgani uchun natija bir xil boʻladi.
F(i, j) = ReLU((X ∗ K)(i, j)) = max(0, (X ∗ K)(i, j))ReLU manfiy sonlarni 0 ga aylantiradi. “Naqsh teskari koʻringan joylar” tashlab yuboriladi, faqat “naqsh bor joylar” qoladi.
Max pooling: P(i, j) = max { F(2i, 2j), F(2i+1, 2j), F(2i, 2j+1), F(2i+1, 2j+1) }2 × 2 kataklar ichidan faqat eng katta qiymatni qoldirib, eni va boʻyini ikki baravar kichraytiradi. Belgi bir-ikki katakka siljisa ham natija kamroq tebranadi.
K(u, v)
Filtrning 9 ta soni. Perseptrondagi vazn w bilan bir xil vazifani bajaradi va oʻqitish orqali topiladi
X(i+u, j+v)
Filtr ostida ustma-ust tushgan 9 ta piksel
b
Siljish (bias). Har bir filtr uchun bitta
F, P
Belgilar xaritasi, pooling qilingan belgilar xaritasi
Formulani boʻlakma-boʻlak oʻqish
Σ Σ K·X3 × 3 = 9 ta juftni bir xil oʻrindagilari boʻyicha koʻpaytirib, hammasini qoʻshamiz. Bu 4-1 da koʻrgan perseptronning vaznli yigʻindisi w · x bilan aynan bir xil hisob, faqat kirish rasmning kichik boʻlagi ekani bilan farq qiladi.
(i, j)Filtr qoʻyilgan oʻrin. i, j ni oʻzgartirib, bitta filtr bilan butun rasmni koʻzdan kechiramiz. Bir xil vaznlar har bir oʻrinda qayta ishlatilgani uchun koʻz rasmning qayerida boʻlmasin, u bir xil usulda topiladi.
max(0, ·)Bu ReLU aktivatsiya funksiyasi. Unda sinish nuqtasi borligi sababli qatlamlarni ustma-ust qoʻyish maʼnoga ega boʻladi.
max { 4 katak }Bu max pooling. 56 × 56 belgilar xaritasi 28 × 28 ga aylanadi va hisob-kitob hajmi 4 baravar kamayadi.
Filtr — “topmoqchi boʻlgan naqsh”ni sonlar bilan yozib qoʻyilgan koʻrinishi. Chap ustuni −1, oʻng ustuni +1 boʻlgan filtr oʻng tomon chap tomondan qanchalik yorugʻ boʻlsa, shunchalik katta son beradi. Shuning uchun chixuaxua koʻzi (qorongʻi) bilan juni (yorugʻ) orasidagi vertikal qirrada 302 kabi katta qiymat chiqadi, faqat jundan iborat tekis joyda esa 0 ga yaqin qiymat chiqadi.
Muhimi, bitta filtr rasmning barcha joylarida qayta ishlatiladi. Bitta filtrda bor-yoʻgʻi 9 ta son bor, lekin u rasmning istalgan joyidagi qirrani topadi. 3-boʻlimda koʻrgan “bir katakka surilsa ham barcha sonlar oʻzgaradi” muammosi ham kamayadi. Rasm surilsa, belgilar xaritasi ham birga suriladi, xolos — qirra borligi esa oʻzgarmaydi.
Haqiqiy CNN ning birinchi qatlami bunday filtrlardan oʻnlab ishlatadi. Har bir filtr uchun bittadan belgilar xaritasi chiqadi, shuning uchun chiqish “rasm oʻlchami × filtrlar soni” boʻlgan qalin matritsaga aylanadi.
5Harakatlanuvchi diagramma · filtr sirpanib, belgilar xaritasini toʻldirish jarayoni
Chixuaxua koʻzi atrofidagi oq-qora 8 × 8 boʻlakka (28 × 28 ga kichraytirilgan rasmdan kesib olingan) vertikal qirra filtrini bittadan katak surib qoʻyib koʻramiz. Koʻk sonlar “oʻng tomoni yorugʻroq”, toʻq sariq sonlar “chap tomoni yorugʻroq” degani.
Filtrni qoʻyish
9 juftni koʻpaytirish
Hammasini qoʻshish
Bittadan katak siljitish
ReLU bilan manfiylarni oʻchirish
6Filtr laboratoriyasi · muhrlarni almashtirib bosib koʻring
Rasm va filtrni tanlang. Filtr kataklaridagi sonlarni oʻzingiz ham oʻzgartirishingiz mumkin. Oʻngdagi belgilar xaritasida yorugʻ joylar — “naqsh topilgan joylar”. Belgilar xaritasidagi katakni bossangiz, oʻsha oʻrindagi hisob pastda koʻrsatiladi. Chiqish oʻlchamini 56 × 56 da saqlash uchun chekkadan tashqaridagi joylar eng yaqin chekka pikselni nusxalab toʻldirilgan. Bu 3-diagrammadagi nol padding usulidan farq qiladi, shuning uchun chekka kataklardagi qiymatlar nol padding holatidagidan farq qilishi mumkin.
Rasm
Filtr
Kirish (oq-qora 56 × 56)Belgilar xaritasi (bossangiz, hisob chiqadi)
Filtr K (3 × 3)
7Asosiy xususiyatlar
Afzalliklari
Bitta filtr (9 ta son) butun rasmda qayta ishlatilgani uchun vaznlar juda kam
Rasm biroz surilsa ham belgilar u bilan birga suriladi, xolos, shuning uchun qaror chalgʻimaydi
Qatlamlar qoʻyilsa, chiziq → qism → butun shakl tarzida oʻz-oʻzidan ierarxiya hosil boʻladi
Cheklovlari
Filtr faqat yaqin piksellarga qaraydi, shuning uchun bir-biridan uzoq qismlar orasidagi bogʻliqlikni bilish uchun koʻp qatlamdan oʻtish kerak
Oʻz holicha burilish va oʻlcham oʻzgarishiga zaif, shuning uchun turli-tuman rasmlar bilan oʻqitish kerak
Dastlabki qatlamlardagi belgilar oʻxshash naqshlarni (koʻz va chernikani) farqlay olmaydi
Oʻrni: 1980-yilda Fukushimaning neokognitroni ilk bor “lokal filtr + qatlamlarni qoʻyish” tuzilmasini taklif qildi, LeCun ishlab chiqqan LeNet tarmogʻi (1989, 1998) uni teskari tarqalish bilan oʻqitib, qoʻlyozma raqamlarni oʻqidi. 2012-yilda AlexNet katta hajmdagi rasmlarni tasniflashda katta farq bilan gʻolib chiqib, chuqur oʻrganish davrini boshlab berdi.
✓Tekshiruv savoli
Q1. Konvolyutsiyada filtrning bitta oʻrnidagi qiymat qanday hosil qilinadi?
Q2. Barcha kataklari 10 ga teng tekis boʻlakka vertikal qirra filtri [−1 0 1]×3 ni bossak, nima chiqadi?
Q3. 56 × 56 belgilar xaritasiga 2 × 2 max pooling qoʻllansa, oʻlchami qanday boʻladi?
Q4. CNN dagi filtr sonlarini kim aniqlaydi?
Yangi boshlovchilar uchun tushuntirish
Konvolyutsiya — 4-1 dagi perseptronning vaznli yigʻindisini (w·x + b) rasmning har bir kichik boʻlagida takrorlaydigan hisob. Filtrning 9 ta soni vazn boʻlib, bitta filtr rasmning barcha joylarida qayta ishlatilgani uchun koʻz qayerda boʻlmasin, u bir xil usulda topiladi. Kod 2 da qoʻlda hisoblash scipy natijasi bilan mos kelishini tekshiramiz, qoʻlyozma raqamlarni 2 katak surganda esa piksellarni toʻgʻridan-toʻgʻri ishlatadigan neyron tarmoq 14.2% gacha qulagani, kichik CNN esa 90.4% ni saqlab qolganini koʻramiz.
5Odam tanlagan belgilar
Odam tanlagan belgilar — yuz ramkasi, tayanch nuqtalar, qirra kuchi
Chuqur oʻrganishdan oldin “nimani oʻlchash”ni odam hal qilardi. Bu usulning afzalliklarini va rasm oʻzgarsa, qaror teskarisiga aylanib ketadigan cheklovini koʻramiz.
1Odam tanlagan belgilar tarixi · yuzni aniqlash va tayanch nuqtalar
Chuqur oʻrganishdan oldin yuzni tanish odam tanlagan belgilar yordamida amalga oshirilardi. 2001-yilda Viola va Jones “koʻz qismi yonoqlardan qorongʻiroq” kabi yorqinlik farqini oʻlchaydigan minglab oddiy toʻrtburchak belgilarni (Haar belgilari) tez hisoblab, rasmdagi yuz ramkasini topdi [R4]. 2005-yilgi HOG usuli esa har bir kichik katakda qirralar yoʻnalishini sanab, odam siluetini topdi [R5]. 1-boʻlimdagi tasvirdagi qizil nuqtalar kabi koʻz chetlari, burun uchi va jagʻ chizigʻi joylashuvini topadigan yuz tayanch nuqtalari shu tarzda topilgan yuz ramkasi ichida qaytadan hisoblanadi [R6].
Bu usullar tez va tushuntirish oson, lekin nimani oʻlchashni odam oldindan bilishi kerak edi hamda yoritish, burchak va toʻsilib qolishga zaif edi. CNN xuddi shunday turdagi filtrlarni maʼlumotlardan oʻrganib, bu cheklovdan oʻtdi [R7].
2Odam tanlagan belgilar vs model oʻrgangan belgilar
1-boʻlimdagi tasvir. Yashil ramka “bu yerda yuz bor” degan aniqlash natijasi, qizil nuqtalar jagʻ chizigʻi, qoshlar va lablar atrofidagi yuz tayanch nuqtalari, pushti nuqtalar esa ikki koʻz, burun va ogʻizning asosiy joylashuvi. Mushukdagi qizil chiziqlar peshona, koʻz va burunni tutashtiruvchi yuz karkasi.
Odam tanlagan belgilar
“Koʻzlar orasidagi masofa”, “quloq uchining burchagi” kabi nimani oʻlchashni odam oldindan hal qiladi.
Sababini tushuntirish oson
Maʼlumot kam boʻlsa ham ishlaydi
Yoritish, burchak va toʻsilishga zaif
Odam oʻylab topmagan ishoralardan foydalana olmaydi
CNN oʻrgangan belgilar
Filtr sonlari K avval tasodifiy qoʻyiladi, oʻqitish ularni toʻgʻri javob tomon tuzatadi.
Jun tolalari, non gʻovakligi, hatto burun yaltirashigacha oʻzi topadi
Yoritish va burchak boshqacha boʻlsa ham nisbatan barqaror
Minglabdan millionlabgacha rasm kerak
Nega shunday qaror qilganini tushuntirish qiyin
①Mushuk vs odam Oson
“Qirra kuchi” koʻrinishiga oʻtib koʻring. Qizigʻi shundaki, butun rasm boʻyicha oʻrtacha qirra kuchi ikkalasida deyarli bir xil. Chunki odam rasmida ham uzun sochlar tufayli ingichka chiziqlar koʻp. Farq — qirralar qayerda joylashganida. Mushukda jun tolalari va chiziqlar yuzning qoq oʻrtasigacha zich, odamda esa yonoq va peshona silliq boʻlgani uchun qirralar koʻz, burun, ogʻiz va sochlarda toʻplanadi. Pastdagi “markaziy hudud” qiymati shu farqni koʻrsatadi. Bitta oʻrtacha son emas, balki joylashuv boʻyicha xarita, yaʼni belgilar xaritasi kerakligining sababi shu.
Taxminan 3-qatlamdagi qism belgilari ham aniq ajraladi. Bosh ustidagi uchli uchburchak quloqlar, peshonadagi chiziqlar, kichkina pushti burun va uzun moʻylovlar odam yuzida yoʻq. 1-boʻlimdagi tasvirdagi qizil chiziq va nuqtalar — odam bunday ishoralarni oʻzi aniqlab qoʻygan usul, CNN esa xuddi shu ishoralarni filtrlar orqali oʻzi topadi.
3-boʻlimdagi jadvalda mushuk va odam orasidagi oq-qora piksel masofasi mushuk va kuchukcha orasidagi masofa bilan deyarli bir darajada. Odam uchun eng oson bellashuv boʻlsa-da, piksel masofasida bu farq koʻrinmaydi. Bu piksel masofasi maʼnoni bilmaydi degan fikrning yana bir dalili.
3Colab Kod 1 natijasi · bitta qirra kuchi rasmga qarab teskari boʻlib qoladi
Yuqoridagi juftlik taqqoslashda shu sahifadagi rasmlar boʻyicha mushuk tomondagi markaziy qirra kattaroq chiqdi. Biroq Kod 1 da scikit-image dagi mushuk va odam rasmlari bilan oʻlchasak, natija teskari chiqadi (yuz qismidagi qirra kuchi: mushuk 101.5, odam 123.6). Chunki odam rasmidagi sochlar va jilmaygan ogʻizdagi tishlar kuchli qirralar hosil qiladi.
“Qirra koʻp boʻlsa — mushuk” kabi odam tanlagan yagona belgi rasm oʻzgarsa, osongina teskarisiga aylanadi. Shuning uchun bitta belgi emas, balki bir nechta belgining birikmasini, yana uni maʼlumotlardan oʻrganadigan usul kerak. Bu 4-3 ning mavzusi.
Yangi boshlovchilar uchun tushuntirish
Odam tanlagan belgilar bilan “nega shunday qaror qildi”ni tushuntirish oson va ular maʼlumot kam boʻlsa ham ishlaydi. Buning evaziga odam oldindan bilishi kerak va rasm sharoiti oʻzgarsa, ular tez qulaydi. Juftlik taqqoslashda “Qirra kuchi” koʻrinishiga oʻtib, mushuk va odamda qirralar qayerda toʻplanishini solishtirib koʻring.
6Keyingi qatlamlar
Qatlamlar chuqurlashgan sari topiladigan narsa kattalashadi
Birinchi qatlam filtrlari chiziq va qirralarni topadi. Qatlamlar qoʻyilsa, chiziqlar birlashib burchaklarga, burchaklar birlashib koʻz va quloqlarga, koʻz va quloqlar birlashib yuzga aylanadi.
1Qatlamlar chuqurlashgan sari topiladigan narsa kattalashadi
Pooling bilan rasmni kichraytira borib qatlamlarni qoʻysak, keyingi qatlamdagi bitta katak asl rasmning kengroq hududini koʻradi. Shuning uchun oldingi qatlamlar kichik chiziqlarni, keyingi qatlamlar chiziqlar birikmasi boʻlgan koʻz va quloqlarni, undan ham keyingi qatlamlar esa butun yuzni topadi. Bu rasm Zeiler va Fergus (2014) oʻqitilgan CNN ning qatlamlar boʻyicha javoblarini vizuallashtirib koʻrsatgan tendensiyani soddalashtirib koʻchirgan.
Yangi boshlovchilar uchun tushuntirish
Pooling bilan rasmni kichraytira borib qatlamlarni qoʻysak, keyingi qatlamdagi bitta katak asl rasmning kengroq hududini koʻradi. Shuning uchun oldingi qatlamlar kichik chiziqlarni, keyingi qatlamlar esa shu chiziqlarning birikmasini topadi [R8]. 4-3 da shu qatlamlar qoʻyilgan CNN ehtimollarni qanday chiqarishini va qatlamlar qoʻyilganda bitta tekislik bilan ajralmagan narsalar nega ajralib qolishini koʻramiz.
A
Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring
Ikkala kod ham faqat Colab muhitida oldindan oʻrnatilgan kutubxonalar va ichki maʼlumotlardan foydalanadi. “Notebook (.ipynb) yuklab olish”dan soʻng Colab muhitida File → Upload notebook orqali oching yoki nusxalab, yangi Notebook katagiga joylashtiring.
Kod 1 · Rasmni sonlar matritsasi sifatida ochib koʻrish2·3·5-boʻlimlar bilan bogʻliq · numpy, scikit-image, scipy, matplotlib (rasmlar ichida bor) · CPU da bir necha soniya
scikit-image ichidagi mushuk va odam rasmlarining shakli va piksel qiymatlarini koʻrib, kulrang yorqinlik, piksel masofasi va qirra kuchini hisoblaydi. Oʻz maʼlumotlaringizga almashtirish uchun io.imread bilan oʻz rasmingizni oʻqing va small() dagi (yuqori, chap, tomon uzunligi) qiymatlarini yuz joylashuviga moslang.
Ishga tushirish natijasi (2026-10-04 da ishga tushirilgan, numpy 2.4 · scikit-image 0.26 · scipy 1.17 · CPU). Tasodifiy sonlar ishlatilmagani uchun har safar bir xil chiqadi.
Kod 2 · Konvolyutsiyani qoʻlda hisoblash va CNN haqiqatan ham surilishga chidamlimi4-boʻlim bilan bogʻliq · numpy, scipy, tensorflow(Keras), scikit-learn · CPU da taxminan 1 daqiqa
3 × 3 vertikal qirra filtri bilan konvolyutsiyani qoʻlda hisoblab, scipy bilan solishtiradi, soʻng qoʻlyozma raqamlar 1~2 katak surilgan test rasmlarida MLP va kichik CNN ni taqqoslaydi.
Ishga tushirish natijasi (2026-10-04 da ishga tushirilgan, TensorFlow 2.21 · Keras 3 · CPU). 2 ta seed boʻyicha oʻrtacha. Seed, versiya va apparatga qarab sonlar biroz farq qilishi mumkin.
B
AI uchun amaliy promptlar — bu kodni boshlangʻich nuqta qilib olish
ChatGPT, Qwen, Claude kabi AI yordamchilarga joylashtiriladigan promptlar. “Nusxalash”ni bossangiz, prompt ortidan tanlangan kod ham qoʻshib qoʻyiladi. 〔 〕 ichidagini oʻz vaziyatingizga moslab yozing.
Qoʻshib qoʻyiladigan kod
AI javobi faqat boshlangʻich nuqta. Taklif qilingan maqolalar, raqamlar va kutubxona funksiyalarini albatta asl manba va rasmiy hujjatlar orqali tekshiring. Tanlov yoki ilmiy maqolada AI yordamidan foydalangan boʻlsangiz, tashkilotchilar va jurnal qoidalariga koʻra foydalanish fakti va koʻlamini oshkor qiling.
C
Atamalar lugʻati
Matndagi sariq nuqtali tagchiziq bilan bir xil lugʻat. Butun turkumda bir xil yozuv ishlatiladi. Boʻlim nomini bossangiz, atama birinchi uchragan joyga oʻtasiz.
D
Oʻxshatishlar toʻplami — va oʻxshatish qayerda notoʻgʻri boʻladi
Oʻxshatish tushunishning birinchi qadami, ammo notoʻgʻri tushunchaning urugʻi ham boʻlishi mumkin. Inson koʻzi va miyasiga oid oʻxshatishlarda kuch darajasi koʻrsatilgan. Bevosita haqiqatda xuddi shu ishni bajarishiga dalil bor · Qisman faqat ayrim xususiyatlari oʻxshash · Yoʻq mos keladigan narsa maʼlum emas
Tushuncha
Kundalik oʻxshatish
Inson koʻzi va miyasiga oʻxshatish
Oʻxshatish qayerda notoʻgʻri boʻladi
Piksel
Bitta mozaika plitkasi
Qisman Koʻz toʻr pardasida ham yorugʻlikni qabul qiluvchi hujayralar zich joylashgan
Toʻr parda hujayralari toʻr shaklida bir tekis joylashmagan, markazda (sariq dogʻ chuqurchasida) toʻplangan, rang hujayralarining turi va nisbati ham turlicha
Konvolyutsiya filtri
Naqsh oʻyilgan muhr
Qisman Koʻrish poʻstlogʻidagi oddiy hujayralar maʼlum yoʻnalishdagi qirralarga kuchli javob beradi
Miya hujayralarining oʻrganish usuli va bogʻlanishlari ancha murakkab. CNN filtri bir xil sonlarni barcha joylarda qayta ishlatadi, miya esa bunday qilmaydi
Belgilar xaritasi
Xazina xaritasidagi X belgisi
Yoʻq
Xarita bitta, lekin haqiqiy qatlamda filtrlar soniga teng belgilar xaritasi qatma-qat joylashgan
Pooling
Sinf sardorini saylash
Yoʻq
Sinf sardorini odamlar saylaydi, max pooling esa soni eng katta katakni mexanik tarzda tanlaydi
Yuz tayanch nuqtalari
Xaritadagi yoʻl koʻrsatkichlar
Yoʻq
Yoʻl koʻrsatkichlarni odam oʻrnatadi, tayanch nuqtalar joylashuvini esa oʻqitilgan model har bir rasm uchun hisoblaydi. Yuz toʻsilib qolsa, notoʻgʻri joyga qoʻyiladi
E
Muallif haqida va manbalar
E-1 Muallif haqida · E-2 Ilmiy manbalar · E-3 Rasm va maʼlumotlar uchun manbalar
E-1 Muallif haqida
Sangsun Ahn (M-Robo Inc. bosh direktori)
Korea Electrical Safety Corporation va Maeil Business Newspaper gazetasida ishlagan, hozir Maeil Business Newspaper gazetasining tashqi venchuri M-Robo Inc. kompaniyasini asos solib, uning bosh direktori lavozimida ishlamoqda. M-Robo Inc. — ommaviy axborot vositasining ichki venchuri sifatida boshlangan media venchur boʻlib, Kukmin Ilbo gazetasi uchun robot-jurnalist (StockBot) xizmatini taqdim etgan, Korea Internet & Security Agency, Korea Press Foundation, Korea Communications Agency va boshqa tashkilotlarda koʻplab loyihalarni amalga oshirgan. Hozirda oʻzining AI yangiliklar nashri Money-Robo xizmatini yuritmoqda. Bosh direktorlik davrida Asia Open Data Hackathon gʻolibi boʻlgan, maʼlumotlarga asoslangan tadbirkorlik sohasidagi xizmatlari uchun ikki marta Korea Ministry of the Interior and Safety vazirining mukofotini olgan, sunʼiy intellekt va blokcheyn sohalarida 5 ta patent muallifi va egasi. “AI jinoyatlari va oʻzini himoya qilish” (AI범죄와 자기방어) kitobining muallifi, Korea University of Technology and Education (KOREATECH) Online Lifelong Education Institute uchun fintex, statistika va sunʼiy intellekt boʻyicha elektron taʼlim kontentini ishlab chiqqan. Iqtisodiyot fanlari doktori (Dongguk University, mikro-matematik iqtisodiyot). Kookmin University, Hoseo University va boshqa koʻplab universitetlarda maʼlumotlar va sunʼiy intellektga oid fanlardan dars bermoqda. Batafsil profil
Maʼruzalar
Sangsun Ahn (2025). “Biznes uchun maʼlumotlar fani” (비즈니스를 위한 데이터 과학) maʼruza materiallari. Open Cyber University of Korea, Sunʼiy intellekt konvergensiyasi kafedrasi.
Sangsun Ahn (2025). [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash. STEP (Smart Training Education Platform), KOREATECH Online Lifelong Education Institute.
Sangsun Ahn (2024). [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari. STEP (Smart Training Education Platform), KOREATECH Online Lifelong Education Institute.
Sangsun Ahn (2025). Koreya keksalik taʼminoti panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt modellariga asoslangan yondashuv. “Kelajak jamiyati” (미래사회), 16(2). Asl matn
Sangsun Ahn (2025). Koreya keksalik taʼminoti panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli tadqiqoti: sunʼiy intellekt yondashuvi. Keksalik taʼminoti paneli ilmiy konferensiyasi taqdimoti (2025.05.13), National Pension Service, National Pension Research Institute. Taqdimot
Sangsun Ahn (2025). SNS matnlari asosida shubhali giyohvand moddalar savdosini aniqlash algoritmi tadqiqoti: naqsh va kontekst tahliliga eʼtibor bilan. “Kelajak jamiyati” (미래사회), 16(1). Asl matn
Sangsun Ahn (2024). Moliya sohasidagi anomaliyalarni aniqlash modellari xavfsizligi uchun raqib maʼlumotlarga qarshi statistik choralar: empirik tahlil va simulyatsiya natijalari. “Kelajak jamiyati” (미래사회), 15(3). Asl matn
Sangsun Ahn (2024). Sunʼiy intellekt yordamida virtual personaj xususiyatlariga asoslangan SNS postlarini aniqlash yechimi. 2024 Summer Newmedia Party poster taqdimoti (2024.06.19), Seoul Media Institute of Technology.
Sangsun Ahn (2024). Ishlab chiqarishdagi baxtsiz hodisalar panel maʼlumotlaridan foydalangan mashinali oʻqitish modeli. 10-ishlab chiqarish jarohatlari sugʻurtasi paneli ilmiy konferensiyasi poster taqdimoti (2024.05.17), Korea Workers' Compensation & Welfare Service, Labor Welfare Research Institute.
Sangsun Ahn (2024). Virtual aktivlar vaqt qatorlari maʼlumotlarini tahlil qilish va bashorat qilish: vaqt qatorlari modellari va sunʼiy intellekt modellarini taqqoslash, takomillashtirish takliflari. “Kelajak jamiyati” (미래사회), 15(1). Asl matn
E-2 Ilmiy manbalar
[R1] ITU-R Recommendation BT.601. Studio encoding parameters of digital television. — 2-boʻlim (kulrang yorqinlik koeffitsiyentlari)
[R2] LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. — 4-boʻlim
[R3] Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36, 193–202. — 4-boʻlim
[R4] Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. CVPR 2001. — 5-boʻlim
[R5] Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. CVPR 2005. — 5-boʻlim
[R6] Kazemi, V., & Sullivan, J. (2014). One millisecond face alignment with an ensemble of regression trees. CVPR 2014. — 1·5-boʻlimlar
[R7] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. NeurIPS 2012. — 5-boʻlim
[R8] Zeiler, M. D., & Fergus, R. (2014). Visualizing and understanding convolutional networks. ECCV 2014. — 6-boʻlim
[R9] van der Walt, S., et al. (2014). scikit-image: image processing in Python. PeerJ, 2, e453. — Kod 1 (chelsea, astronaut rasmlari)
E-3 Rasm va maʼlumotlar uchun manbalar
1-boʻlimdagi tasvirni muallifning oʻzi tayyorlagan. Amaliyot uchun mushuk va odam rasmlari shu tasvirdan yuz qismini qirqib, 56 × 56 ga kichraytirib, chiziq va nuqtalarni oʻchirib tayyorlangan
2-boʻlimdagi chixuaxua rasmi 4-4 dagi tasvirdan qirqib olingan
6-boʻlimdagi qatlamlar boʻyicha rasm [R8] koʻrsatgan tendensiyani soddalashtirib koʻchirgan konseptual sxema
F
Oʻqituvchilar uchun maslahat (TIP)
Oʻqituvchilar, ish joyida oʻqitish (OJT) masʼullari va repetitorlar uchun dars oʻtkazish boʻyicha qoʻllanma. Vaqtlar taxminiy, haqiqiy darsga moslab oʻzgartiring.
Auditoriya
4-1 ni tugatgan talabalar va xodimlar. Tasvir AI “rasmni qanday qabul qilishi”ni bilmoqchi boʻlgan amaliyotchilar
Oldindan kerakli bilimlar
4-1 dagi belgi, nishon va vaznli yigʻindi, koʻpaytirish va qoʻshish
Oʻquv maqsadlari
① Rangli rasmning shakli (H × W × 3) va sonlar miqdorini hisoblaydi ② 3 × 3 konvolyutsiyaning bitta katagini qoʻlda hisoblaydi ③ Piksel masofasi va odam tanlagan belgilarning cheklovlarini misollar bilan tushuntiradi
Taxminiy vaqt
Oʻqish 40~50 daqiqa · amaliyot namoyishi 25 daqiqa · Colab amaliyoti 25 daqiqa (Kod 1 — 10 daqiqa, Kod 2 — ishga tushirish 1 daqiqa + talqin 14 daqiqa)
Uchta dars rejasi
Maʼruza, 50 daqiqa
Tushunchalarga eʼtibor
Kirish 5 daqiqa (1-boʻlim) → 2-boʻlim, piksel lupasi 15 daqiqa → 3-boʻlim, surish tajribasi 10 daqiqa → 4-boʻlim, konvolyutsiyani qoʻlda hisoblash 15 daqiqa → tekshiruv savollari 5 daqiqa.
Ish joyida oʻqitish (OJT), 90 daqiqa
Ishda qoʻllashga eʼtibor
2-boʻlim yordamida oʻz ishimizdagi rasmlarning (nuqsonli mahsulotlar, skanerlangan hujjatlar va h.k.) ruxsati va sonlar miqdorini hisoblash 20 daqiqa → 4-boʻlimdagi filtr laboratoriyasida oʻz rasmlarimizga mos filtr topish 25 daqiqa → 5-boʻlim, odam tanlagan belgilarning cheklovlari boʻyicha muhokama 15 daqiqa → Kod 2 ni ishga tushirish va talqin qilish 30 daqiqa.
1:1 repetitorlik
Darajaga qarab surʼat
Boshlovchilar uchun faqat 1·2·4-boʻlimlar. Oʻrta darajadagilar 4-boʻlimdagi chiqish oʻlchami formulasini padding va stride ni oʻzgartirib hisoblaydi hamda Kod 2 dagi CNN da GlobalMaxPooling ni Flatten bilan almashtirsa, surilishga chidamlilik qanday oʻzgarishini oldindan taxmin qiladi.
Boʻlimlar boʻyicha asosiy nuqtalar
Boʻlim
Toʻxtab beriladigan savol
Boshqaruv maslahati
1 Muammo
“Odam nimaga qarab buni mushuk deb biladi?”
Chiziq va nuqtalar odam tanlagan ishoralar ekaniga eʼtibor qaratiladi
2 Piksel
“Koʻz katagidagi uchta son nima?”
Piksel lupasida ruxsat 7 → 56 ga oʻzgartiriladi
3 Piksel masofasi
“Oʻsha chixuaxua-ku, nega maffindan ham uzoq?”
Surish slayderi 4 katak va undan koʻproqqa suriladi
4 Konvolyutsiya
“Tekis jun boʻlagiga vertikal qirra filtrini bossak-chi?”
Animatsiyani “Hammasini qoʻshish” bosqichida toʻxtatib, qoʻlda tekshirib koʻriladi
5 Odam tanlagan belgilar
“Qirra koʻp boʻlsa — mushuk” har doim toʻgʻrimi?
Juftlik taqqoslashdagi qirra kuchi koʻrinishi va Kod 1 natijasi birga koʻriladi
6 Keyingi qatlamlar
“Koʻzni topadigan filtr nechanchi qatlamda?”
Qatlamlar boʻyicha rasm chapdan boshlab birma-bir koʻrsatiladi
Keng tarqalgan notoʻgʻri tushunchalar Top 5
Notoʻgʻri tushuncha
Toʻgʻri tushuntirish
Koʻrsatiladigan joy
Rasm — bu tasvir fayli, u sonlardan farq qiladi
Kompyuter uchun rasm — H × W × 3 ta 0~255 oraligʻidagi son
2-boʻlim, piksel lupasi
Piksellar oʻxshash boʻlsa, bir xil narsa tasvirlangan
Bir katak surilsa ham masofa keskin oʻzgaradi. Piksel masofasi maʼnoni bilmaydi
3-boʻlim, surish tajribasi
Konvolyutsiya — murakkab matematika
Bor-yoʻgʻi ustma-ust tushgan 9 juftni koʻpaytirib qoʻshish. Perseptrondagi vaznli yigʻindining aynan oʻzi
(174−92) + (137−38) + (176−55) = 82 + 99 + 121 = 302. Bu oʻng tomoni yorugʻ boʻlgan kuchli qirra.
Q4. 56 × 56 kirishga 3 × 3 filtr paddingsiz (stride 1) qoʻllansa, chiqish oʻlchami qancha boʻladi?
56 − 3 + 1 = 54, yaʼni 54 × 54. 1 ga teng padding berilsa, 56 × 56 saqlanadi.
Q5. Kod 2 da 2 katak surilgan raqamlarda MLP 14.2%, CNN esa 90.4% natija koʻrsatdi. Bu farqni yuzaga keltirgan ikki omil nima?
Bitta filtrni barcha joylarda qayta ishlatadigan konvolyutsiya (joylashuv oʻzgarsa ham bir xil naqshni topadi) va joylashuvni tashlab, faqat eng kuchli javobni qoldiradigan global max pooling.
Colab topshiriqlari
Asosiy
Kod 1 da oʻz yuzingiz rasmini (yoki uy hayvoningiz rasmini) oʻqib, shakli va sonlar miqdorini chiqaring, 1·2·4 katak surilgandagi piksel masofalarini jadvalga joylang.
Murakkab
Kod 2 dagi CNN da GlobalMaxPooling2D ni Flatten bilan almashtirib qayta oʻqiting va 1·2 katak surilgan rasmlardagi aniqlik oʻzgarishini 3 ta seed bilan hisobot qiling. Sababini 4-boʻlimdagi talqin bilan bogʻlab yozing.
Qiyinlikni moslash va qoʻshimcha oʻrganish
Yangi boshlovchilar
3-boʻlimdagi masofalar jadvali va 6-boʻlimni oʻtkazib yuborsa boʻladi. Faqat 2·4-boʻlimlardagi amaliyotni puxta bajarib koʻrish kifoya
Chuqurlashtirilgan
Haar belgilari va HOG ni oʻrganib, 4-boʻlimdagi filtr laboratoriyasida ularga oʻxshash filtr yasab koʻrishni topshiring. Oʻrganilgan maqolalarni asl nusxasidan tekshirsin
Qoʻshimcha oʻrganish
3-3 Tasvirlar va CNN · 4-3 Mushuk vs kuchukcha (CNN ning toʻliq tuzilishi)
