ویرگول
ورودثبت نام
Sanaz Khalili
Sanaz Khalilihttps://github.com/sanazkhalili - https://www.kaggle.com/skhalili
Sanaz Khalili
Sanaz Khalili
خواندن ۲ دقیقه·۴ سال پیش

مسائل دسته بندی تصاویر در یادگیری عمیق

به نام خدا

یک سری نام های گیج کننده و شبیه به هم در دنیای یادگیری عمیق وجود دارد که قصد داریم در این پست به تفکیک آن ها بپردازیم.

1- مسائل Multi-Class Classification

در این مسائل دسته بندی، در هر تصویر فقط یک کلاس داریم. در این مسائل به تعداد کلاس ها نورون در لایه ی خروجی خواهیم داشت و خروجی آن ها یک بردار خواهد بود که مقدار درایه ی متناظر کلاسی که در تصویر بوده است عدد 1 و مابقی درایه ها صفر خواهد بود. در شکل زیر، سه کلاس داریم که در هر تصویر نمونه نیز فقط یکی از این کلاس ها آمده است و بردار متناسب با آن ها در قسمت Labels نمایش داده شده است.

2-مسائل Multi-Label Classification

در این مسائل دسته بندی، هر تصویر نمونه شامل چند کلاس است و باز هم خروجی شبکه به تعداد کلاس ها نورون دارد اما می تواند چند درایه ی آن 1 و چند درایه ی آن 0 باشد. هر نورون خروجی از دیگر نورون های دیگر مقدار مستقلی دارد و به هم وابسته نیستند. 3 نمونه ی آن در شکل زیر آمده است.

https://gombru.github.io/2018/05/23/cross_entropy_loss/
https://gombru.github.io/2018/05/23/cross_entropy_loss/

توابع فعالساز:

یک سری تابع فعالساز داریم که روی بردار خروجی شبکه عصبی، قبل از اینکه به تابع loss فرستاده شوند اعمال می شوند که اینها عبارتند از:

1- تابع سیگموید(sigmoid) یا logistic function

مقادیر بردار خروجی شبکه ی عصبی توسط این تابع به مقادیری در محدوده ی 0 و 1 تبدیل می شود. همان طور که از رابطه ی آن مشخص است که برای هر مقدار ورودی این تابع، خروجی از دیگر مقادیر ورودی مستقل است.

فرمول 1
فرمول 1

2- تابع سافت مکس(softmax)

تابع سافت مکس، تابع است و loss نیست. مقادیر درایه های بردار ورودی را بین 0 و 1 می برد. این تابع به صورت مستقل از دیگر درایه ها نمی تواند به یک درایه اعمال شود و خروجی را محاسبه کند. همان طور که در فرمول 2 مشخص است برای محاسبه ی i امین درایه باید در صورت کسر امتیاز بدست آمده از شبکه عصبی و در مخرج کسر مجموع همه ی امتیازات قرار گیرد.

فرمول 2
فرمول 2

ادامه دارد...


Understanding Categorical Cross-Entropy Loss, Binary Cross-Entropy Loss, Softmax Loss, Logistic Loss, Focal Loss and all those confusing names (gombru.github.io)

یادگیری عمیق
۳
۱
Sanaz Khalili
Sanaz Khalili
https://github.com/sanazkhalili - https://www.kaggle.com/skhalili
شاید از این پست‌ها خوشتان بیاید