برخی نکات مهم درباره کلمات کلیدی و مفاهیم CNN

[zohreazimi]

متد forward مسیر عبور داده‌ها در CNN را مشخص می‌کند. - x = self.conv1(x) : داده ورودی از لایه پیچشی اول عبور می‌کند. - x = self.relu(x) : تابع فعال‌سازی ReLU روی خروجی اعمال می‌شود. - return x : خروجی نهایی این مرحله بازگردانده می‌شود. بدون forward، شبکه نمی‌تواند پیش‌بینی کند یا آموزش ببیند.

[zohreazimi]

Overfitting زمانی رخ می‌دهد که شبکه خیلی خوب روی داده‌های آموزش یاد می‌گیرد ولی توانایی تعمیم به داده‌های جدید را ندارد. - به عبارتی، مدل جزئیات نویز و ویژگی‌های خاص آموزش را یاد می‌گیرد و عملکردش روی داده‌های تست ضعیف می‌شود. - روش‌هایی مانند MaxPooling، Dropout و Regularization به کاهش Overfitting کمک می‌کنند.

[zohreazimi]

Overfitting زمانی رخ می‌دهد که شبکه خیلی خوب روی داده‌های آموزش یاد می‌گیرد ولی توانایی تعمیم به داده‌های جدید را ندارد. - به عبارتی، مدل جزئیات نویز و ویژگی‌های خاص آموزش را یاد می‌گیرد و عملکردش روی داده‌های تست ضعیف می‌شود. - روش‌هایی مانند MaxPooling، Dropout و Regularization به کاهش Overfitting کمک می‌کنند.

[zohreazimi]

تعداد out_channels=16 در لایه اول Conv2d یک انتخاب متداول و منطقی است. - هر فیلتر (کانال خروجی) یک ویژگی خاص تصویر را استخراج می‌کند، پس با 16 فیلتر، شبکه می‌تواند 16 ویژگی مختلف را یاد بگیرد. - اگر تعداد فیلترها کمتر باشد (مثلاً 4 یا 8)، ممکن است شبکه نتواند جزئیات تصویر را به خوبی تشخیص دهد. - اگر تعداد فیلترها خیلی زیاد باشد (مثلاً 64 یا 128)، حجم محاسبات و مصرف حافظه افزایش می‌یابد و برای لایه‌های ابتدایی معمولاً لازم نیست اینقدر فیلتر داشته باشیم. بنابراین 16 یک تعادل مناسب بین قدرت استخراج ویژگی و کارایی محاسباتی ایجاد می‌کند و انتخاب رایجی برای لایه اول CNN است.

[zohreazimi]

اندازه kernel_size=3 یعنی فیلتر 3×3 روی تصویر اعمال می‌شود. - فیلتر 3×3 یک انتخاب متداول در CNNهاست زیرا به اندازه کافی کوچک است تا جزئیات محلی تصویر را بگیرد، و همزمان محاسبات زیادی نیاز ندارد. - اندازه بزرگتر (مثلاً 5×5 یا 7×7) ویژگی‌های وسیع‌تر را می‌گیرد ولی محاسبات سنگین‌تر می‌شود و ممکن است جزئیات ریز را از دست بدهد. - بنابراین 3×3 تعادل خوبی بین دقت و کارایی محاسباتی ایجاد می‌کند و در اکثر شبکه‌ها استفاده می‌شود.

[zohreazimi]

پارامتر stride=1 مشخص می‌کند فیلتر Conv2d در هر حرکت فقط یک پیکسل به جلو برود. - با stride=1 تصویر خروجی تقریباً همان ابعاد ورودی را حفظ می‌کند (به شرط اینکه padding مناسب باشد). - اگر stride بزرگتر باشد (مثلاً 2 یا 3)، اندازه خروجی کاهش می‌یابد و اطلاعات محلی جزئی از بین می‌رود. - بنابراین stride=1 انتخاب رایج در لایه‌های ابتدایی CNN است تا جزئیات تصویر حفظ شود.

[zohreazimi]

پارامتر padding=1 مشخص می‌کند که اطراف تصویر یک لایه صفر اضافه شود. - این کار باعث می‌شود بعد از اعمال Conv2d، ابعاد تصویر تقریباً همانند ورودی باقی بماند. - بدون padding، اندازه تصویر خروجی کوچک‌تر می‌شود و لبه‌های تصویر کمتر در فرآیند یادگیری در نظر گرفته می‌شوند. - بنابراین padding=1 تعادل خوبی بین حفظ ابعاد و استخراج ویژگی‌ها ایجاد می‌کند و در لایه‌های ابتدایی CNN معمولاً استفاده می‌شود.