cnn.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Свёрточные нейронные сети"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Архитектура свёрточной нейросети\n",
    "\n",
    "- Нейроны разбиты на слои.\n",
    "- Когда нейронная сеть применяется к данным, значения этих слоёв (активация данных) подсчитывается последовательно: сначала значения активации первого слоя, потом значения активации второго слоя итд. \n",
    "- Есть параметры, которые определяют, как активация следующего слоя зависит от активации предыдущего слоя. \n",
    "- Активации внутри разных слоёв могут подсчитываться параллельно, они друг от друга не зависят. \n",
    "\n",
    "<img src=\"images/ex8.png\" alt=\"Drawing\" style=\"width: 500px;\"/>\n",
    "\n",
    "### Обучение нейросети\n",
    "\n",
    "Настройка параметров (обучение нейросети) происходит следующим образом:\n",
    "* Берем текущее состояние нейросети, применяем ее к конкретному обучающему примеру и смотрим, что получается на выходе и как результат отличается от того, что мы хотели бы увидеть.\n",
    "* По методу обратного распространения ошибки можно понять, *как именно* модифицировать веса, чтобы на выходе было что-то более похожее на то, что мы хотим увидеть.\n",
    "\n",
    "<img src=\"images/ex9.png\" alt=\"Drawing\" style=\"width: 500px;\"/>\n",
    "\n",
    "Особенность свёрточной нейросети в том, что на первых слоях нейроны разбиты на изображения определенного размера, называемые *картами*.\n",
    "Разные карты внутри одного слоя соответствует нейронам разного типа, которые реагируют на разные особенности изображений. \n",
    "Вычисление активаций следующего слоя бывают двух основных типов:\n",
    "\n",
    "- Активация нейронов вычисляется как **линейная комбинация** нейронов предыдущего уровня;\n",
    "- Активация нейронов следующего уровня **повторяет активацию нейронов предыдщего уровня** засчет того, что активация рядом расположенных нейронов заменяется на их максимум или на их среднее.\n",
    "\n",
    "<img src=\"images/ex10.png\" alt=\"Drawing\" style=\"width: 300px;\"/>"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## U-NET\n",
    "\n",
    "#### Зачем\n",
    "\n",
    "Чтобы обучать нейросети на малом количестве изображений высокой четкости.\n",
    "\n",
    "#### Что делает\n",
    "\n",
    "Принимает на вход изображение и возвращает его разбитое на сегменты изображение (возаращает карту сегментации).       \n",
    "Другими словами: **каждый пиксель ставится в соответствии одному из заданных классов.**\n",
    "\n",
    "![title](images/u-net.png)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**Архитектура сети**\n",
    "\n",
    "Состоит из **сжимающего пути** (вдоль которого изображение уменьшается) и **расширяющего пути** (вдоль которого изображение увеличивается). \n",
    "\n",
    "*Сжимающий путь* (слева) - типичен для свёрточных нейросетей. Он состоит из двух свёрток размером 3x3, каждая из которых сопровождается функцией активации ReLU и двумя пулингами для понижения размерности. При каждом понижении размерности мы удваиваем число признаков каналов изображения.  \n",
    "На выходе сжимающего пути получается сжатое отображение картинки.\n",
    "\n",
    "Каждый шаг в *расширяющем пути* предискретизируется. То есть данные увеличиваются в размерах засчёт интерполяции:\n",
    "<img src=\"images/ex11.jpeg\" alt=\"Drawing\" style=\"width: 300px;\"/>\n",
    "\n",
    "Или обыденного увеличения размера пикселей (*Pixel Shuffle*), когда при помощи свёртки изображение размерами X*Y*3 заменяется изображением X*Y*12, и пикселей становится в 4 раза больше:\n",
    "<img src=\"images/ex12.jpeg\" alt=\"Drawing\" style=\"width: 500px;\"/>\n",
    "\n",
    "То, что приходит с расширяющего пути на каждой итерации \"склеивается\" с тем, что приходит с соответствующей итерации сжимающего пути (на это указывает чёрная стрелочка-пунктир на изображении архитектуры)."
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 2
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython2",
   "version": "2.7.14"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}