Ce înseamnă CNN (rețea neuronală convoluțională)
O CNN (Convolutional Neural Network) este un tip de rețea neuronală gândit pentru date așezate pe o grilă, mai ales imagini. Ea a fost motorul revoluției din computer vision: în 2012, o CNN numită AlexNet a câștigat detașat concursul de recunoaștere a imaginilor ImageNet, moment considerat începutul erei deep learning.
Ideea vine din anii ’80–’90; Yann LeCun a folosit CNN-uri pentru a citi cifre scrise de mână pe cecuri bancare. Astăzi, CNN-urile se folosesc în recunoaștere facială, imagistică medicală, mașini autonome și camerele telefoanelor, alături de modele mai noi de tip transformer.
Cum funcționează
Piesa de bază este filtrul (kernel): o fereastră mică, de exemplu de 3×3 pixeli, care alunecă peste toată imaginea și calculează la fiecare poziție cât de bine se potrivește un anumit tipar, cum ar fi o margine verticală. Rezultatul este o „hartă” care arată unde apare acel tipar. Operația se numește convoluție.
Primele straturi învață tipare simple (margini, pete de culoare), straturile următoare le combină în forme (ochi, roți), iar ultimele recunosc obiecte întregi (față, mașină). Între ele, straturi de pooling micșorează hărțile, păstrând doar informația importantă. Filtrele nu sunt scrise de om: valorile lor sunt învățate la antrenare.
Pe înțelesul tuturor
Imaginează-ți că examinezi o pictură cu o lupă mică, plimbând-o pe toată suprafața. La prima trecere notezi doar liniile, la a doua observi ce forme fac liniile, la a treia recunoști ce reprezintă formele. CNN-ul face aceste treceri automat, strat cu strat.
Exemplu
O imagine de 28×28 pixeli cu cifra „7” scrisă de mână trece printr-un filtru care reacționează la linii orizontale: harta rezultată „se aprinde” sus, unde e bara cifrei. Un alt filtru reacționează la linii oblice și se aprinde pe diagonală. Combinând cele două hărți, straturile următoare deduc că este un „7”, nu un „1”.
De reținut
- CNN-urile folosesc filtre mici care alunecă peste imagine și detectează tipare.
- Același filtru este folosit peste tot în imagine, deci un obiect este recunoscut indiferent unde apare.
- Au fost standardul în computer vision mai bine de un deceniu.
Nu confunda
- CNN vs. RNN: CNN-urile sunt gândite pentru imagini (date pe grilă), RNN-urile pentru secvențe (text, sunet, serii de timp).
Termeni înrudiți
- Computer vision (vedere artificială): Ramura AI care învață calculatoarele să „vadă”: să recunoască obiecte, fețe, text și mișcare în imagini și video.
- Rețea neuronală: Model de AI format din mulți neuroni artificiali legați între ei, care învață din exemple ajustând puterea legăturilor.
- Deep learning (învățare profundă): Tip de machine learning bazat pe rețele neuronale cu multe straturi; stă în spatele chatboților, traducerilor și recunoașterii imaginilor.
- Strat (layer): Un nivel dintr-o rețea neuronală: un grup de neuroni care primesc datele de la nivelul anterior, le transformă și le dau mai departe.
- Recunoașterea obiectelor: Sarcina prin care un model AI găsește obiectele dintr-o imagine, spune ce sunt și unde se află fiecare.
- RNN și LSTM: Rețele care procesează date în ordine, pas cu pas, păstrând o memorie a ce au văzut înainte; LSTM este varianta care ține minte mai bine.