בלוג

פיתוח בינה מלאכותית : רשת CNN חלק 4 –  Fully Connected Layer in CNN

When training a CNN, you feed the image of a car (or any class) as input, and you provide the label for that image separately. The label tells the network what the correct class is during training. Here's how it works in detail:

1. Input Image: You feed the raw image (e.g., a picture of a car) into the CNN. The input to the network is the pixel data from the image.

2. Label: Along with the image, you provide a label (e.g., [1, 0, 0, 0] for a car if using one-hot encoding for four classes: car, bird, tank, drone). The label is not part of the network's input but is used to calculate the error during training.

לאחר הקונבולציה  (הפילטרים )   והפוליניג  (הקטנת התמונה ) נגיד שקיבלנו 4 קבוצות  על מנת להמיר אותה לרשת נעשה flatten כלומר נמיר מי רב מימדי לחד מימדי – כאשר כל תא במערך החד מימדי יהיה למעשה אינפוט ברשת הניירונים .

ב fully connected layer  כל הניירונים  קשורים

אם יש לנו 4 קטגוריות שאנחנו רוצים שהרשת שלנו תזהה – כמו תפתוח , בננה , ענבים , ומילון אז ב OUTPUT שלנו יהיה 4 ניירונים – כאשרל כל ניירון יכיל ערך של הסיכוי של התוצאה , אם למשל הקשת תזהה שהוא תפוח עז יהיה לנו 84,4,4,10

כאשר 90 הוא הניירון עם התפוח

עבור כטגוריות נשתמש בשיכבה האחורנה ב SOFTMAX ואם היה בינארי כמו 1 או 0 היינו מתשמים ב סיגמואיד שהתשובה נעה בין 0 ל 1

חוזר שוב !

When training a CNN, you feed the image of a car (or any class) as input, and you provide the label for that image separately. The label tells the network what the correct class is during training. Here's how it works in detail:

1. Input Image: You feed the raw image (e.g., a picture of a car) into the CNN. The input to the network is the pixel data from the image.

2. Label: Along with the image, you provide a label (e.g., [1, 0, 0, 0] for a car if using one-hot encoding for four classes: car, bird, tank, drone). The label is not part of the network's input but is used to calculate the error during training.