Q:
Як максимальне об'єднання допомагає зробити AlexNet чудовою технологією обробки зображень?
A:В інноваційній конвертнійній нейронній мережі AlexNet концепція максимуму об'єднання вставляється у складну модель із безліччю згорткових шарів, частково для того, щоб допомогти у пристосуванні та впорядкувати роботу, яку нейронна мережа виконує в роботі із зображеннями з тим, що називають експерти "нелінійна стратегія зниження тиску".
AlexNet вважається досить чудовим CNN, перемігши в 2012 році ILSVRC (ImageNet Large-Scale Visual Recognition Challenge), який розглядається як переломна подія для машинного навчання та прогресу нейронної мережі (деякі називають це "Олімпіада" комп'ютерного зору ).
У рамках мережі, де навчання розбито на два графічних процесори, є п’ять згорткових шарів, три повністю пов'язані шари та деяка реалізація максимального об'єднання.
По суті, максимальне об'єднання приймає "пул" виходів з колекції нейронів і застосовує їх до значень наступного шару. Ще один спосіб зрозуміти це - підхід до максимуму об'єднання може консолідувати та спростити значення задля більш правильного пристосування моделі.
Максимальне об'єднання може допомогти обчислити градієнти. Можна сказати, що це "зменшує обчислювальний тягар" або "скорочує надмірну обробку" - через зменшення кемпінгу, максимальне об'єднання залучає те, що називається "зменшення розмірності".
Зменшення розмірності розглядає питання наявності надскладної моделі, яку важко провести через нейронну мережу. Уявіть складну форму, з безліччю невеликих зубчастих контурів, і кожен шматочок цієї лінії представлений точкою даних. Завдяки зменшенню розмірності, інженери допомагають програмі машинного навчання «зменшити масштаб» або відібрати менше точок даних, щоб зробити модель в цілому спрощеною. Ось чому, якщо ви подивитеся на максимальний шар об'єднання та його вихід, іноді можна побачити більш просту пікселяцію, що відповідає стратегії зменшення розмірності.
AlexNet також використовує функцію, що називається випрямленими лінійними одиницями (ReLU), і максимальне об'єднання може бути доповненням цієї методики при обробці зображень через CNN.
Експерти та ті, хто бере участь у проекті, надали велику кількість візуальних моделей, рівнянь та інших деталей, щоб показати конкретну побудову AlexNet, але в загальному сенсі ви можете думати про об'єднання макс як злиття або консолідацію виходу декількох штучних нейронів. Ця стратегія є частиною загальної побудови CNN, яка стала синонімом передового машинного зору та класифікації зображень.
