💫
Derin Öğrenme
  • 💫Derin Öğrenme Notları
  • 🚀English Version
  • 🦋Projeye Katkıda Bulunma
  • 💼Kullanışlı Araçlar
  • 💎Yapay Sinir Ağları Kavramları
    • 🌱Giriş
    • 🔎Esas Problem
    • 👷‍♀️ Yapay Sinir Ağlarının Uygulanması Üzerine Notlar
    • 📚Yapay Sinir Ağlarının Kavramları
    • 💥Yapay Sinir Ağlarında Aktivasyon Fonksiyonları
    • 🎈NN Uygulama İp Uçları
    • 👩‍🔧 NN Düzenlileştirme (Regularization)
    • ✨Optimizasyon Algoritmaları
    • 🎨Softmax Regression
    • 🏃‍♀️ Tensorflow'a Hızlı Giriş
    • 👩‍💻 Yapay Sinir Ağlarıyla ilgili Pyhton Kod Parçaları
  • 🙋‍♀️ Yapay Sinir Ağları ile Derin Öğrenme'nin Hello World'u
    • 🌱Giriş
    • 🌐Tarayıcıda CNNler
  • 🚪Bilgisayar Görüşüne Giriş
    • 🌱Giriş
  • 🚩Evrişimli Sinir Ağları Kavramları
    • 🌱Giriş
    • 📌Evrişimli Sinir Ağları ile İlgili Genel Kavramlar
    • 🌟Evrişimli Sinir Ağları Gelişmiş Kavramları
    • 👀Evrişimli Sinir Ağlarının Görselleştirilmesi
    • 👵Klasik Evrişimli Sinir Ağları
    • ✨CNN'leri Kurmak İçin Diğer Yaklaşımlar
    • 🕸️CNN'lerin Popüler Uygulamaları
  • 👩‍💻 CNN'ler Üzerinde Kodlar ve Notlar
    • 🌱Giriş
  • 💄Derin Öğrenmenin Popüler Stratejileri
    • 🌱Giriş
    • 🚙Öğrenme Aktarması (Transfer Learning)
    • 📚Derin Öğrenmede Diğer Stratejiler
  • 🤡Resim Artırma (Image Augmentation)
    • 🌱Giriş
  • 🤸‍♀️ Uygulamalı Makine Öğrenmesi Üzerine Notlar
    • 🌱Giriş
    • 👩‍🔧 Makine Öğrenimi Projelerinin Yapılandırılması Üzerine Notlar
    • 👩‍🏫 Uygulama Talimatları
  • 🕵️‍♀️ Obje Algılama Temelleri
    • 🌱Giriş
    • ⭕Bölge Tabanlı (Region-Based) CNN'ler
    • 🤳SSD ve YOLO
    • 🤖TensorFlow Object Detection API
  • ➰Derin Öğrenmede Dizi Modelleri
    • 🌱Giriş
    • 📚Dizi Modellerinin Genel Kavramları
    • 🔄Tekrarlayan Sinir Ağları (RNN)
    • 🌌RNN'deki Vanishing Gradients
    • 🌚Kelime Gösterimi
    • 💬NLP Hakkında Karışık Bilgiler
  • 📕Proje Sözlüğü
  • 📚Faydalı PDF'ler
  • 👀Hızlı Görsel Bilgiler
Powered by GitBook
On this page
  • Önemli Terimler
  • 🙌 Dolgulama (Padding)
  • 🤔 Ne kadar dolgulanmalı?
  • 🕵️‍♀️ Normal Konvolüsyon (Valid Convolution)
  • 🥽 Dolgulamalı Konvolüsyon (Same Convolution)
  • 👀 Görselleştirme
  • 🔢 Adımlı Konvolüsyon (Strided Convolution)
  • 👀 Görselleştirme
  • 🤗 Genellemek İçin
  • 🚀 Hacim Üzerine Konvolüsyon
  • 👀 Görselleştirme
  • 🤸‍♀️ Birden Fazla Filtre
  • 🎨 CNN'lerin Katman Türleri
  • 🤔 Neden Konvolüsyonları Kullanalım?
  • 🌞 Yazının Aslı
  • 🧐 Referanslar

Was this helpful?

Export as PDF
  1. Evrişimli Sinir Ağları Kavramları

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 (😍✨✨✨)

PreviousEvrişimli Sinir Ağları ile İlgili Genel KavramlarNextEvrişimli Sinir Ağlarının Görselleştirilmesi

Last updated 5 years ago

Was this helpful?

🚩
🌟