دوره آموزشی شبکه های عصبی کانولوشنی و پیاده سازی آن در پایتون

شبکه عصبی کانولوشنی (CNN) یک الگوریتم یادگیری عمیق برای پردازش تصویر است. این شبکه با استفاده از چندین لایه پردازشی پیچیده، نویز و اطلاعات غیرضروری تصویر را حذف کرده و ویژگی‌های مهم تصویر را برجسته می‌کند. می دانیم که یکی از بزرگترین چالش‌هایی که متخصصین در حوزه بینایی ماشین  (Machine Vision) به دنبال رفع آن هستند این است که ماشین‌ها بتوانند مثل انسان‌ها ببینند، به شیوه‌ای مشابه با انسان درک کنند و از این دانشی که درک کرده اند برای انجام وظایف بسیاری استفاده کنند.  در ادامه چند مورد از این وظایف شرح داده خواهد شد. عملکرد اصلی CNN بر پایه طبقه بندی تصاویر است. ابتدا تصویر را به سایز ورودی CNN تبدیل می‌کنیم و سپس آن را به لایه‌ی ورودی شبکه می‌دهیم. لایه‌های مختلف شبکه، به تدریج به پردازش تصویر برمی‌خورند و ویژگی‌های مهم را برجسته می‌کنند. در نهایت، خروجی شبکه، برچسب یا لیبلی است که به تصویر تخصیص داده می‌شود. اما شبکه های عصبی کانولوشنی در موارد ذیل کاربرد دارند:

1- تشخیص تصویر: از جمله تشخیص چهره و تشخیص شی یا شیء مورد نظر در تصویر.

2- شناسایی و تشخیص بیماری: مانند شناسایی سرطان در تصاویر پرتودرمانی و تصاویر پزشکی دیگر.

3- پردازش زبان طبیعی: از جمله تشخیص گروه کلمات مرتبط فعلی یا تحلیل صحبت‌های کاربردی در پلتفرم‌های محاوره‌ای.

4- خودروهای خودران و بدون راننده: با استفاده از تصاویر ویدئویی و سنسورهای مختلف مانند لیدار، شبکه عصبی کانولوشنی می تواند در زمینه خودران کردن خودرو ها به کار گرفته شود.

5- بازیابی اطلاعات و تحلیل تصاویر: از جمله تشخیص و تحلیل تصاویر ماهواره‌ای و تصاویر محیطی.

بنابراین، شبکه عصبی کانولوشنی با داشتن دقت بالا و امکان تفسیر و خوانش تصاویر توانسته است در بسیاری از صنایع، مورد استفاده قرار گیرد.

مجموعه پایتون کلینیک، با بهره مندی از اساتید بسیار توانمند که تجربه برگزاری دوره آموزشی شبکه های عصبی کانولوشنی (Convolutional Neural Network – CNN را هم به صورت خصوصی و هم بصورت عمومی و گروهی برای دانشگاه ها و سازمانهای متعددی دارد، این دوره و پیاده سازی آن در زبان برنامه نویسی پایتون را هم بصورت آنلاین و هم به صورت حضوری برگزار می کند.

در ادامه سرفصل هایی که در این دوره آموزشی ارائه می شوند را مشاهده خواهیم کرد.

1- شبکه‌های عصبی پیچشی

1 – 1 – مفاهیم و اصول اولیه شبکه‌های عصبی کانولوشنی

1 – 2 – لایه‌ کانولوشنال و پارامتر های آن ( فیلتر، گام و لایه‌گذاری)

1 – 3 – لایه pooling و انواع آن ( Max Pooling و Average Pooling)

1 – 4 – لایه Fully Connected (تماما متصل)

1 – 5 – مفهوم Back Propagation در شبکه های عصبی کانولوشنی

1 – 6 – نحوه محاسبه تعداد پارامترها و ابعاد خروجی لایه‌ها

2- انواع مختلف معماری‌ شبکه‌های عصبی کانولوشنی

2 – 1 – معرفی انواع مختلف معماری‌ معماری‌

2 – 2 – معماری  GoogLeNet

2 – 3 – معماری  AlexNet

2 – 4 – معماری  VGGNet

2 – 5 – معماری  ResNet

3- پیاده‌سازی شبکه عصبی کانولوشنی برای طبقه ‌بندی تصاویر در محیط برنامه‌نویسی گوگل کولب (Google Colab)

3 – 1 – معرفی محیط برنامه‌نویسی گوگل کولب

3 – 2 – معرفی فریم‌ورک پایتورچ (PyTorch)

3 – 3 – پیش‌پردازش داده ها

3– 4 – ایجاد، آموزش و تست مدل طراحی شده

 4- پیاده‌سازی شبکه عصبی کانولوشنی با استفاده از TensorFlow و Keras  برای اجرا بر روی  GPU

4 – 1 – انتخاب کارت گرافیکی مناسب با توجه به سیستم عامل و پردازنده

4 – 2 – راه اندازی Anaconda

4 – 3 – راه اندازی  TensorFlow  و کتابخانه  Keras

4 – 4 – راه اندازی TensorFlow برای اجرا بر روی  GPU

4– 5 – آشنایی با ساختار و انواع داده ها و تنسورها

4 – 6 – بارگذاری دیتاست های معروف در Keras

4 – 7 – پیش پردازش داده ها در  Keras

5- طراحی، ایجاد و آموزش مدل در کتابخانه Keras

5 – 1 – چگونگی طراحی و ایجاد یک مدل در کتابخانه   Keras

5 – 2 – انواع مختلف لایه ها و مدل ها در کتابخانه   Keras

5 – 3 – تنظیم پارامترهای مختلف آموزش

5 – 4 – آموزش مدل های ایجاد شده

5 – 5 – بررسی و نمایش نتایج آموزش

5– 6 – پیاده سازی یک پروژه با استفاده از روش رگرسیون لجستیک در زبان برنامه نویسی پایتون