2-genel-kavramlar-p2.md

🌟 Evrişimli Sinir Ağları Gelişmiş Kavramları

Önemli Terimler

Terim	Açıklama
🔷 Dolgulama (Padding)	Konvolüsyondan önce görüntüye ek kenar(lar) ekleme
🌠 Adımlı Konvolüsyon	s adım atarak konvolüsyon uygulama
🏐 Hacim üzerine konvolüsyon	Konvolüsyonları n boyutlu girişe uygulama (örneğin RGB görüntüsü)

🙌 Dolgulama (Padding)

Resme n+2 x n+2 olacak şekilde görüntüye bir veya daha fazla kenar ekleyerek ve konvolüsyondan sonra görüntünün orijinal boyutu olan n x n resimle sonuçlanır.

p = eklenen sınır sayısı

For convention: 0 ile doldurulur

🤔 Ne kadar dolgulanmalı?

Daha iyi anlaşılması için iki kavramımız olduğunu varsayalım:

🕵️‍♀️ Normal Konvolüsyon (Valid Convolution)

Dolgulama yok demektir, yani:

n x n * f x f ➡ n-f+1 x n-f+1

🥽 Dolgulamalı Konvolüsyon (Same Convolution)

Çıktı boyutunun, girdi boyutuyla aynı olmasını sağlayacak kadar dolgulanır

Yani biz istiyoruz ki 🧐:

n+2p-f+1 = n

Bundan dolayı:

p = (f-1)/2

Kabul: f tek sayı olarak seçilir 👩‍🚀

👀 Görselleştirme

🔢 Adımlı Konvolüsyon (Strided Convolution)

Konvolüsyonların başka bir yaklaşımı, bölgelere belirli bir s (adım sayısı) değerine göre filtre uygulayarak çıktıyı hesaplıyoruz.

👀 Görselleştirme

🤗 Genellemek İçin

Bir n x n'lik görüntü ve f x f'lik filtre için, p dolgulama miktarı ve s adım boyutu miktarı ile; çıkış görüntünün boyutu aşağıdaki formülle hesaplanabilir

$$\left \lfloor{\frac{n+2p-f}{s}+1}\right \rfloor \times \left \lfloor{\frac{n+2p-f}{s}+1}\right \rfloor$$

🚀 Hacim Üzerine Konvolüsyon

RGB görüntüsü üzerine konvolüsyon işlemini uygulamak için; örneğin, 10x10 piksel RGB görüntüsünde, teknik olarak görüntünün boyutu 10x10x3'tür, bu nedenle örneğin 3x3x3'lük veya fxfx3'lük filtre uygulayabiliriz 🤳

Filtreler özel bir renk kanalına uygulanabilir 🎨

👀 Görselleştirme

🤸‍♀️ Birden Fazla Filtre

🎨 CNN'lerin Katman Türleri

Katman	Açıklama
💫 Convolution CONV	Özellikleri çıkarmak için filtreler
🌀 Pooling POOL	Gösterme boyutunu düşürme ve hesaplamaları hızlandırma tekniği
⭕ Fully Connected FC	Standart tek sinir ağı katmanı (tek boyutlu)

👩‍🏫 Genellikle insanlar bir NN'deki katman sayısını bildirdiğinde, yalnızca ağırlıkları ve parametreleri olan katman sayısını söylerler

Kabul: CONV1 + POOL1 = LAYER1

🤔 Neden Konvolüsyonları Kullanalım?

Ayarlanacak parametreleri düşürdüklerinden dolayı daha iyi performans 💫

🌞 Yazının Aslı

• Burada 🐾

🧐 Referanslar

• Convolutional Neural Networks (CNN) Introduction (😍✨✨✨)