🌟

Evrişimli Sinir Ağları Gelişmiş Kavramları

Önemli Terimler
Terim
Açıklama
🔷 Dolgulama (Padding)
Konvolüsyondan önce görüntüye ek kenar(lar) ekleme
🌠 Adımlı Konvolüsyon
s adım atarak konvolüsyon uygulama
🏐 Hacim üzerine konvolüsyon
Konvolüsyonları n boyutlu girişe uygulama (örneğin RGB görüntüsü)
🙌 Dolgulama (Padding)
Resme n+2 x n+2 olacak şekilde görüntüye bir veya daha fazla kenar ekleyerek ve konvolüsyondan sonra görüntünün orijinal boyutu olan n x n resimle sonuçlanır.
p = eklenen sınır sayısı
For convention: 0 ile doldurulur
🤔 Ne kadar dolgulanmalı?
Daha iyi anlaşılması için iki kavramımız olduğunu varsayalım:
🕵️‍♀️ Normal Konvolüsyon (Valid Convolution)
Dolgulama yok demektir, yani:
n x n * f x f ➡ n-f+1 x n-f+1
🥽 Dolgulamalı Konvolüsyon (Same Convolution)
Çıktı boyutunun, girdi boyutuyla aynı olmasını sağlayacak kadar dolgulanır
Yani biz istiyoruz ki 🧐:
n+2p-f+1 = n
Bundan dolayı:
p = (f-1)/2
Kabul: f tek sayı olarak seçilir 👩‍🚀
👀 Görselleştirme
🔢 Adımlı Konvolüsyon (Strided Convolution)
Konvolüsyonların başka bir yaklaşımı, bölgelere belirli bir s (adım sayısı) değerine göre filtre uygulayarak çıktıyı hesaplıyoruz.
👀 Görselleştirme
🤗 Genellemek İçin
Bir n x n'lik görüntü ve f x f'lik filtre için, p dolgulama miktarı ve s adım boyutu miktarı ile; çıkış görüntünün boyutu aşağıdaki formülle hesaplanabilir
​⌊n+2p−fs+1⌋×⌊n+2p−fs+1⌋\left \lfloor{\frac{n+2p-f}{s}+1}\right \rfloor \times \left \lfloor{\frac{n+2p-f}{s}+1}\right \rfloor⌊sn+2p−f​+1⌋×⌊sn+2p−f​+1⌋
​
🚀 Hacim Üzerine Konvolüsyon
RGB görüntüsü üzerine konvolüsyon işlemini uygulamak için; örneğin, 10x10 piksel RGB görüntüsünde, teknik olarak görüntünün boyutu 10x10x3'tür, bu nedenle örneğin 3x3x3'lük veya fxfx3'lük filtre uygulayabiliriz 🤳
Filtreler özel bir renk kanalına uygulanabilir 🎨
👀 Görselleştirme
🤸‍♀️ Birden Fazla Filtre
🎨 CNN'lerin Katman Türleri
Katman
Açıklama
💫 Convolution CONV
Özellikleri çıkarmak için filtreler
🌀 Pooling POOL
Gösterme boyutunu düşürme ve hesaplamaları hızlandırma tekniği
⭕ Fully Connected FC
Standart tek sinir ağı katmanı (tek boyutlu)
👩‍🏫 Genellikle insanlar bir NN'deki katman sayısını bildirdiğinde, yalnızca ağırlıkları ve parametreleri olan katman sayısını söylerler
Kabul: CONV1 + POOL1 = LAYER1
🤔 Neden Konvolüsyonları Kullanalım?
Ayarlanacak parametreleri düşürdüklerinden dolayı daha iyi performans 💫
🌞 Yazının Aslı
​Burada 🐾​
🧐 Referanslar
​Convolutional Neural Networks (CNN) Introduction (😍✨✨✨)​

Evrişimli Sinir Ağları ile İlgili Genel Kavramlar

Evrişimli Sinir Ağlarının Görselleştirilmesi

Last modified 2yr ago

Terim	Açıklama
🔷 Dolgulama (Padding)	Konvolüsyondan önce görüntüye ek kenar(lar) ekleme
🌠 Adımlı Konvolüsyon	`s` adım atarak konvolüsyon uygulama
🏐 Hacim üzerine konvolüsyon	Konvolüsyonları n boyutlu girişe uygulama (örneğin RGB görüntüsü)

Katman	Açıklama
💫 Convolution `CONV`	Özellikleri çıkarmak için filtreler
🌀 Pooling `POOL`	Gösterme boyutunu düşürme ve hesaplamaları hızlandırma tekniği
⭕ Fully Connected `FC`	Standart tek sinir ağı katmanı (tek boyutlu)