โครงข่ายประสาทเทียมแบบสังวัตนาการ
| ส่วนหนึ่งของเนื้อหา |
| การเรียนรู้ของเครื่อง และ การทำเหมืองข้อมูล |
|---|
 |
โครงข่ายประสาทเทียมแบบสังวัตนาการ หรือ โครงข่ายประสาทเทียมแบบคอนโวลูชัน (convolutional neural network, CNN) เป็นโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า แต่ละหน่วยเซลล์ภายในโครงข่ายลักษณะนี้สามารถถูกคำนวณร่วมไปกับหน่วยที่อยู่ในขอบเขตรอบข้าง[1] เป็นวิธีที่มีประสิทธิภาพมากสำหรับใช้ในการประมวลผลภาพขนาดใหญ่
โครงข่ายประสาทเทียมแบบคอนโวลูชันอาจประกอบไปด้วยหนึ่งชั้นหรือหลายชั้น และประกอบรวมกับชั้นเชื่อมต่อสมบูรณ์ (fully connected layer) (ซึ่งเทียบเท่ากับโครงสร้างภายในโครงข่ายประสาทเทียมแบบดั้งเดิม) และยังมักเติมชั้นบ่อรวม (pooling layer) โครงสร้างในลักษณะนี้ช่วยให้โครงข่ายประสาทเทียมสามารถใช้ประโยชน์จากโครงสร้างสองมิติของข้อมูลป้อนเข้าได้ โครงข่ายประสาทเทียมแบบคอนโวลูชัน สามารถให้ผลลัพธ์ที่ดีเยี่ยมในการวิเคราะห์การรู้จำคำพูด เหนือกว่าโครงสร้างการเรียนรู้เชิงลึกอื่น ๆ แบบจำลองนี้ยังสามารถฝึกได้โดยใช้ อัลกอริทึมการแพร่ย้อนกลับ
เมื่อเทียบกับโครงข่ายประสาทเทียมเชิงลึกแบบป้อนไปข้างหน้าแบบอื่น ๆ แล้ว โครงข่ายประสาทเทียมแบบคอนโวลูชันนั้นมีพารามิเตอร์ที่ต้องพิจารณาน้อยกว่า ทำให้เป็นโครงสร้างการเรียนรู้เชิงลึกที่ถูกใช้แพร่หลาย[2]
โครงข่ายประสาทเทียมแบบคอนโวลูชันนั้นได้รับแรงบันดาลใจจากวิธีการจัดระเบียบการเชื่อมต่อของระบบประสาทในเปลือกสมองที่ใช้ในการมองเห็นของสัตว์ เซลล์ประสาทหนึ่งเซลล์จะตอบสนองต่อสิ่งเร้าในพื้นที่จำกัดเท่านั้น และพื้นที่รับความรู้สึกของเซลล์ประสาทต่างๆ จะซ้อนทับกันจนครอบคลุมลานสายตาทั้งหมด
อ้างอิง
[แก้]- ↑ "Convolutional Neural Networks (LeNet) - DeepLearning 0.1 documentation". DeepLearning 0.1. LISA Lab. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 2017-12-28. สืบค้นเมื่อ 31 August 2013.
- ↑ "Convolutional Neural Network". คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 2020-10-29. สืบค้นเมื่อ 2014-09-16.