Компьютерное зрение в задачах нефтегазовой отрасли
Лекция №2
Упрощенные схемы биологического и искусственного нейронов
Математическая модель искусственного нейрона
Cумматор
Функция активации
Функция единичного скачка
Сигмоидальная функция активации
Свойства логистической функции
Гиперболический тангенс
Нейронные сети
Искусственная нейросеть
Однослойные нейронные сети
Многослойные нейронные сети
Рекуррентные сети
Обучение нейронных сетей
Обучающая выборка
Тестовая выборка
Обучение с учителем
Обучение без учителя
Перцептроны
Многослойный перцептрон
Линейная разделимость объектов
Решение задач классификации объектов на основе логических функций
Учим персептрон понимать изображения
Распознавание цифр
Учим персептрон подбирать веса связей
12.85M
Categories: informaticsinformatics industryindustry

Компьютерное зрение в задачах нефтегазовой отрасли

1. Компьютерное зрение в задачах нефтегазовой отрасли

Фомичева Ольга Евгеньевна
к.т.н., доцент
[email protected]
Кафедра информатики
РГУ нефти и газа им.Губкина

2. Лекция №2

Нейронные сети - основа
технологии компьютерного
зрения
2

3. Упрощенные схемы биологического и искусственного нейронов

3

4. Математическая модель искусственного нейрона

4

5. Cумматор

5

6. Функция активации

6

7. Функция единичного скачка

7

8.

8

9. Сигмоидальная функция активации

9

10. Свойства логистической функции

10

11.

11

12. Гиперболический тангенс

12

13. Нейронные сети

13

14. Искусственная нейросеть

14

15. Однослойные нейронные сети

15

16. Многослойные нейронные сети

16

17. Рекуррентные сети

17

18. Обучение нейронных сетей

Обучение нейронной сети (training) — это
поиск такого набора весовых
коффициентов, при котором входной
сигнал после прохода по сети
преобразуется в нужный нам выходной.
18

19. Обучающая выборка

(training set)— это
набор входных сигналов (вместе с
правильными выходными сигналами), по
которым происходит обучение сети.
19

20. Тестовая выборка

(testing set) — это набор
входных сигналов (вместе с правильными
выходными сигналами), по которым
происходит оценка качества работы сети
после обучения на обучающей выборке.
20

21. Обучение с учителем

(supervised learning)
— вид обучения нейронной сети, при
котором веса нейронных связей
подбираются таким образом, чтобы ответы
на выходе из сети минимально отличались
от уже готовых правильных ответов.
21

22. Обучение без учителя

(unsupervised learning)
— вид обучения нейронной сети, при котором
сеть самостоятельно классифицирует
(разделяет) входные сигналы. При этом
правильные (эталонные) выходные сигналы ей
не демонстрируются.
22

23. Перцептроны

23

24.

24

25.

25

26.

26

27.

27

28.

28

29. Многослойный перцептрон

29

30.

30

31. Линейная разделимость объектов

31

32.

32

33.

33

34.

34

35. Решение задач классификации объектов на основе логических функций

35

36.

36

37.

37

38.

38

39.

39

40.

40

41. Учим персептрон понимать изображения

41

42.

42

43. Распознавание цифр

43

44.

44

45.

45

46.

46

47.

47

48.

48

49.

49

50. Учим персептрон подбирать веса связей

50

51.

51

52.

52

53.

53

54.

54

55.

55

56.

56

57.

57

58.

58

59.

59

60.

60

61.

61

62.

62

63.

63

64.

64

65.

65

66.

66

67.

67

68.

68

69.

69

70.

70

71.

71
English     Русский Rules