पारंपरिक CNNs, आवर्तक तंत्रिका नेटवर्क, पूरी तरह से दृढ़ नेटवर्क, और स्थानिक ट्रांसफार्मर नेटवर्क - अन्य के साथ-साथ दृढ़ तंत्रिका नेटवर्क के कई रूप हैं।
पारंपरिक सीएनएन
परंपरागत सीएनएन, जिसे अक्सर "वेनिला" सीएनएन के रूप में जाना जाता है, में कई पूरी तरह से संबंधित परतों के बाद दृढ़ और पूलित परतों का संग्रह शामिल होता है। जैसा कि पहले उल्लेख किया गया है, इस समुदाय की प्रत्येक संकेंद्रित परत इनपुट चित्र से विकल्प निकालने के लिए सीखने योग्य फिल्टर के एक सेट के साथ दृढ़ संकल्पों की एक श्रृंखला करती है।
लेनेट-5 आर्किटेक्चर, हस्तलिखित अंकों की पहचान के लिए पहले प्रभावी सीएनएन में से एक, एक पारंपरिक सीएनएन का उदाहरण है। इसमें दो पूरी तरह से संबंधित परतों के बाद कनवल्शन और पूलिंग लेयर्स की दो इकाइयाँ हैं। छवि पहचान में CNNs की दक्षता की पुष्टि Lenet-5 संरचना द्वारा की गई है, जिसने उन्हें कंप्यूटर दृष्टि संबंधी कार्यों में अधिक व्यापक रूप से उपयोग किया है।
आवर्तक तंत्रिका नेटवर्क
आवर्ती तंत्रिका नेटवर्क (आरएनएन) एक प्रकार के तंत्रिका नेटवर्क हैं जो पहले के इनपुट के संदर्भ की निगरानी करके अनुक्रमिक ज्ञान का कोर्स कर सकते हैं। दोहराए जाने वाले तंत्रिका नेटवर्क विभिन्न लंबाई के इनपुट का कोर्स कर सकते हैं और पहले के इनपुट के आधार पर आउटपुट का उत्पादन कर सकते हैं, विशिष्ट फीडफॉरवर्ड न्यूरल नेटवर्क के विपरीत, जो केवल एक निर्धारित क्रम में ज्ञान दर्ज करने का कोर्स करता है।
उदाहरण के लिए, आरएनएन का उपयोग एनएलपी गतिविधियों जैसे पाठ्य सामग्री युग या भाषा अनुवाद में किया जा सकता है। एक आवर्ती तंत्रिका नेटवर्क को दो अलग-अलग भाषाओं में वाक्यों के जोड़े पर प्रशिक्षित किया जाएगा ताकि दोनों के बीच अनुवाद करना सीखा जा सके।
RNN डेटा को एक के बाद एक प्रोसेस करता है और हर कदम पर एक आउटपुट डॉक्यूमेंट तैयार करता है जो एंटर डॉक्यूमेंट और पहले के आउटपुट पर निर्भर करता है। RNN जटिल टेक्स्ट के लिए भी सही अनुवाद कर सकता है क्योंकि यह पिछले इनपुट और आउटपुट को ट्रैक करता है।
पूरी तरह से मुड़ा हुआ नेटवर्क
पूरी तरह से संवादात्मक नेटवर्क (FCNs) एक प्रकार की तंत्रिका समुदाय संरचना है जो आमतौर पर छवि विभाजन, वस्तु का पता लगाने और छवि वर्गीकरण जैसे कंप्यूटर विजन कार्यों में उपयोग की जाती है। तस्वीरों को वर्गीकृत या विभाजित करने के लिए बैकप्रॉपैगैशन का उपयोग करके एफसीएन को लगातार कुशल बनाया जाएगा।
Backpropagation एक कोचिंग एल्गोरिथम है जो एक तंत्रिका समुदाय के वजन के माध्यम से संचालित होने वाले नुकसान के ग्रेडिएंट की गणना करता है। किसी दिए गए इनपुट के लिए प्रत्याशित आउटपुट की भविष्यवाणी करने के लिए मॉडल की क्षमता का अध्ययन करने वाली एक मशीन को हानि फ़ंक्शन द्वारा मापा जाता है।
एफसीएन पूरी तरह से कनवल्शनल लेयर्स पर आधारित होते हैं क्योंकि उनमें पूरी तरह से कनेक्टेड लेयर्स नहीं होते हैं, जो उन्हें पारंपरिक कन्वेन्शनल न्यूरल नेटवर्क्स की तुलना में अधिक अनुकूलनीय और कम्प्यूटेशनल रूप से पर्यावरण के अनुकूल बनाते हैं। एक समुदाय जो एक इनपुट चित्र को स्वीकार करता है और पूरे चित्र में वस्तुओं के प्लेसमेंट और वर्गीकरण को आउटपुट करता है, वह FCN का एक उदाहरण है।
स्थानिक ट्रांसफार्मर समुदाय
एक स्थानिक ट्रांसफार्मर समुदाय (STN) का उपयोग कंप्यूटर विजन कार्यों में किया जाता है ताकि समुदाय से खोजे गए विकल्पों के स्थानिक आक्रमण को बढ़ाया जा सके। एक तस्वीर में पैटर्न या वस्तुओं को स्वीकार करने के लिए एक तंत्रिका समुदाय की लचीलापन चाहे उनके भौगोलिक स्थान, अभिविन्यास या आयाम को स्थानिक आक्रमण के रूप में जाना जाता है।
एक नेटवर्क जो आगे की प्रक्रिया से पहले एक इनपुट छवि में एक खोजे गए स्थानिक परिवर्तन को लागू करता है, एक एसटीएन का एक उदाहरण है। रूपांतरण का उपयोग पूरी तस्वीर में वस्तुओं को संरेखित करने, सही परिप्रेक्ष्य विकृतियों, या किसी विशेष कार्य पर समुदाय की दक्षता बढ़ाने के लिए अलग-अलग स्थानिक संशोधन करने के लिए किया जा सकता है।
एक परिवर्तन किसी भी ऑपरेशन को संदर्भित करता है जो बी के अनुरूप अप्रत्यक्ष रूप से एक तस्वीर को संशोधित करता है। घुमाएँ, स्केल या क्रॉप करें। संरेखण वापस गारंटी के माध्यम से संदर्भित करता है कि किसी चित्र में ऑब्जेक्ट केंद्रित, संरेखित या स्थिर और महत्वपूर्ण दृष्टिकोण में स्थित हैं।
परिप्रेक्ष्य विरूपण तब होता है जब किसी चित्र में वस्तु उस कोण या दूरी के कारण विकृत या विकृत प्रतीत होती है जिससे चित्र लिया गया था। तस्वीर में कई गणितीय परिवर्तनों का उपयोग करना, बी के अनुरूप। affine परिवर्तनों को सही परिप्रेक्ष्य विरूपण के लिए उपयोग किया जा सकता है। Affine ट्रांसफ़ॉर्मेशन किसी चित्र में परिप्रेक्ष्य विकृतियों या विभिन्न स्थानिक संशोधनों के लिए कारकों के बीच समानांतर निशान और दूरी संबंधों की रक्षा करता है।
चित्र के स्थानिक निर्माण के भीतर किसी भी परिवर्तन के साथ स्थानिक संशोधनों की जाँच करें, चित्र को फ़्लिप करना, घुमाना या स्थानांतरित करना। ये संशोधन प्रशिक्षण ज्ञान को बढ़ा सकते हैं या प्रक्रिया में विशेष चुनौतियों का प्रबंधन कर सकते हैं, जैसे: B. प्रकाश व्यवस्था, भेद या पृष्ठभूमि विविधताएं।
