New-Tech Magazine | Feb 2017 | Digital Edition

IoT מוסף מיוחד

לא להעביר את הידע שנרכש (הלמידה) לצורך ביצוע משימה חדשה? היתרונות בשיטה הנ"ל הם שהיא חוסכת את הצורך להשתמש בכמות גדולה של תמונות עבור תהליך האימון, ובשל כך - זמן האימון קטן משמעותית (כמובן תלוי במידת הדמיון בין הבעיה המקורית והבעיה החדשה). תכנון רשת ואימון שלה מורכבת משכבות (כל שכבה CNN מגדירה חישוב ספציפי), והחל מגרסת Neural Network Toolbox כלי ה- R 2016 a מספק פונקציונליות לתכנן רשת בקלות שכבה-אחר-שכבה ולאמן את הרשת. אפשר reluLayer למשל, בעזרת הפקודה Rectified Linear Unit להוסיף שכבת אשר מוסיפה אי-לינאריות (הופכת לאפס כעת, כשהרשת מוגדרת, ניתן להגדיר גם את הגדרות האימון באמצעות הפונקציה (למשל, אפשר להגדיר trainingOptions - שהוא Epochs מה המספר המרבי של המספר המרבי של מעברים מלאים על כל סט האימון, לשלוט על פרמטר וכו'). initialLearnRate ה- וכאשר הכל מוכן - אפשר להתחיל בתהליך « « בתור מחלץ פיצ'רים CNN- סיווג חיה ל"כלב" או "חתול" בעזרת שימוש ב R-CNN גילוי תמרור עצור בשיטת , Convolutional ערכים שליליים). שכבת ה- אשר מגדירה סטים של משקולות לפילטרים שמתעדכנות במהלך תהליך האימון, ניתנת להגדרה בעזרת הפקודה Max . את שכבת ה- convolution 2 dLayer למידע Downsampling , שמבצעת Pooling הזורם ברשת, ניתן להגדיר עם הפקודה . וכמובן שעומדות maxPooling 2 dLayer לרשותכם גם פקודות להגדרת יתר השכבות ברשת.

למידה עמוקה עבור משימות של ראיה ממוחשבת. חילוץ הפיצ'רים באמצעות של הכלי ניתן לביצוע activations מתודת בלבד (החל מגרסת CPU תוך שימוש ב- (מצריך גם GPU ) או תוך שימוש ב- R 2016 b Parallel Computing Toolbox את כלי ה- תוצרת CUDA וכן כרטיס מסך תומך 3.0 של Compute Capability בעל nVIDIA R 2016 b ומעלה). שימו לב שהחל מגרסת ניתן לחלץ פיצ'רים מתוך תמונות בעלות גודל שונה מאלה אשר שימשו לצורך אימון . CNN ה- כעת, לאחר שחולצו פיצ'רים, ניתן לאמן בעזרתם מסווג למידת מכונה שנקרא App מסורתי, למשל באמצעות ה- , שמאפשר Classification Learner לאמן ולהשוות כל מיני מודלים בצורה אינטראקטיבית, ואשר מהווה חלק מתוך Statistics and Machine Learning הכלי . Toolbox לרשת Fine Tuning ביצוע מאומנת ) Transfer Learning ( הינה שיטת עבודה Transfer Learning Deep מאוד נפוצה באפליקציות של . הרעיון שעומד מאחוריה הוא Learning שבמקום לאמן רשת "מאפס" (האייטם הבא) או להשתמש ברשת מאומנת רק לצורך חילוץ פיצ'רים שיוכנסו למסווג שאותו נאמן (האייטם הקודם), ניתן לקחת רשת שאומנה על אוסף גדול של תמונות ), ולבצע לה התאמה ImageNet (כמו מאגר - שינויים קטנים למשקולות) Fine Tuning ( כדי שאפשר יהיה לפתור בעזרתה בעיית סיווג או גילוי חדשה. הרי הרשת המאומנת כבר למדה סט עשיר של פיצ'רים, אשר ניתן ליישום על מגוון רחב של תמונות, אז מדוע

New-Tech Magazine l 74