Loading

Alison's New App is now available on iOS and Android! Download Now

Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Rede Neural Convolutional
Uma Rede Neural Convolutional é um algoritmo de Deep Learning que pode levar em uma imagem de entrada, atribuir importância a vários objetos na imagem e ser capaz de diferenciar um do outro.
A arquitetura de uma Rede Neural Convolutional é análoga à do padrão de conectividade de Neurons no Brain Humano e foi inspirada na organização do Vértice Visual.
Backpropagation em Rede Neural Convolucional
O Backpropagation Algoritmo é um método de aprendizagem supervisionado para redes de avanço de rações multicamadas a partir do campo de Redes Neurais Artificiais.
O Algoritmo de Backpropagation procura o valor mínimo da função de erro em espaço de peso usando uma técnica chamada de regra Delta ou descida de Gradiente. Os pesos que minimizam a função de erro é então considerado como uma solução para o problema de aprendizagem.
A Rede Neural Convolutional é composta por múltiplos blocos de construção, como camadas de convolução, camadas de conjunto, e camadas totalmente conectadas, e é projetada para aprender automaticamente e adaptativamente hierarquias espaciais de recursos através de um Algoritmo de Backpropagation.
Arquiteturas comuns em Redes Neurais Convolutionais Todas as arquiteturas da CNN seguem os mesmos princípios gerais de design de sucessivamente aplicação de camadas convolucionais à entrada, periodicamente baixando a amostragem das dimensões espaciais enquanto aumenta o número de mapas de recurso.
Enquanto as arquiteturas de rede clássicas eram compostas por camadas convolucionais empilhadas, as arquiteturas modernas exploram formas novas e inovadoras para a construção de camadas convolucionais de uma forma que permite um aprendizado mais eficiente.
As arquiteturas de rede clássicas incluem LeNet-5, AlexNet e VGG 16, enquanto que as modernas arquiteturas de rede compreendem ResNet, DenseNet, MobileNet e EfficientNets. Fine-Tuning na CNN Fine-Tuning na CNN envolve descongelar algumas das camadas de topo de uma base de modelo congelado e treinar em conjunto tanto as camadas de classificadores recém-adicionadas quanto as últimas camadas do modelo base. Isto permite que as representações de recurso de higher-ordem no modelo de base a fim de torná-las mais relevantes para a tarefa específica.