sunniy intelekt asoslari mustaqil ish

PDF 11 стр. 303,2 КБ Бесплатная загрузка

11 стр.

FaylHub.uz

Скачать через Telegram

Размер 303,2 КБ

Тип файла PDF

Страницы 11

Обновлено Дек 2025

Предварительный просмотр (5 стр.)

Прокрутите вниз 👇

1 / 11

o’zbekiston respublikasi raqamli texnologiyalar vazirligi muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti sunniy intelekt asoslari mustaqil ish mavzu: cnn arxitekturasi va ishlash strukturasi. konvulatsion qatlamlarni hisoblash. guruh: 030-23 bajardi: shavkatov bexruz toshkent 2025 mavzu: cnn arxitekturasi va ishlash strukturasi. konvulatsion qatlamlarni hisoblash. reja: 1. cnn arxitekturasi va asosiy komponentlari 2. cnnning ishlash prinsipi 3. konvulatsion qatlamlarni hisoblash cnn arxitekturasi va asosiy komponentlari kirish konvolyutsion neyron tarmoqlari (cnn) — bu sun'iy neyron tarmoqlari turkumi bo'lib, asosan kompyuter tasvirlarini tanib olish, tasvirlarni tasniflash, videolarni tahlil qilish, va tabiiy tilni qayta ishlashda keng qo'llaniladi. cnn'lar klassik neyron tarmoqlariga nisbatan yanada samarali bo'lib, ularning asosiy afzalliklari mavjud bo'lib, ular tasvirlardagi joylashuv va o'lchamga nisbatan ishonchli ishlashdir. cnn arxitekturasi cnn arxitekturasi quyidagi asosiy komponentlardan tashkil topgan: 1. kirish qatlam (input layer): o cnn modelining birinchi qatlamidir. bu qatlamga kiradigan ma'lumot — tasvir bo'lib, u odatda rangli (rgb) yoki qora va oq (grayscale) bo'lishi mumkin. o …

2 / 11

negativ qiymatlarni nolga o'zgartiradi va faqat musbat qiymatlarni o'tkazadi. o relu tasvirlar bilan ishlashda oson va samarali hisoblanadi. 4. max-pool qatlam (max-pooling layer): o max-pooling qatlam konvolyutsion qatlamdan so'ng joylashgan bo'lib, tasvirni kichraytirish va uning eng muhim xususiyatlarini saqlab qolish uchun ishlatiladi. o bu qatlam, odatda, 2x2 yoki 3x3 o'lchamdagi maydonlarda maksimal qiymatni tanlab oladi. max-pooling, xususiyatlarni aniqroq ajratib olish va hisoblashning samaradorligini oshiradi. 5. to'liq bog'langan qatlam (fully connected layer): o cnn oxirida to'liq bog'langan qatlam joylashgan. bu qatlam tasvirning o'ziga xos xususiyatlarini o'rganib chiqadi va yakuniy tasniflash yoki prognoz qilishni amalga oshiradi. o bu qatlamda har bir neyron oldingi qatlamdagi har bir neyron bilan bog'langan. 6. chiqish qatlam (output layer): o chiqish qatlamining vazifasi modelni yakunlash va tasniflashni amalga oshirishdir. agar tasvirni turli sinflarga ajratish kerak bo'lsa, chiqish qatlamida sinf soniga teng neyronlar bo'ladi. bu qatlamda softmax funksiyasi qo'llaniladi, bu esa har bir sinf uchun ehtimolliklarni hisoblaydi. cnn …

3 / 11

$uqoridagi ma'lumotlar uchun chiqishlarni o'zgartirish (to'liq tasniflash uchun) y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10) 2. cnn modelini qurish model = models.sequential() # konvolyutsion qatlam model.add(layers.conv2d(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) # max-pooling qatlam model.add(layers.maxpooling2d((2, 2))) # yana bir konvolyutsion qatlam model.add(layers.conv2d(64, (3, 3), activation='relu')) # yana max-pooling model.add(layers.maxpooling2d((2, 2))) # yana bir konvolyutsion qatlam model.add(layers.conv2d(64, (3, 3), activation='relu')) # to'liq bog'langan qatlam model.add(layers.flatten()) # konvolyutsion qatlamdan chiqishlarni bir o'lchovli vektor ga aylantirish model.add(layers.dense(64, activation='relu')) # chiqish qatlam (softmax) model.add(layers.dense(10, activation='softmax')) # 10 ta sinf uchun 3. modelni kompilyatsiya qilish va o'qitish # modelni kompilyatsiya qilish model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # modelni o'qitish model.fit(x_train, y_train, epochs=5, batch_size=64) # modelni baholash test_loss, test_acc = model.evaluate(x_test, y_test) print(f'test accuracy: {test_acc}') tavsif: • konvolyutsion qatlamlar tasvirlarning muhim xususiyatlarini ajratib olishadi. • max-pooling qatlamlari tasvirlarni kichraytirish va o'qish tezligini oshiradi. • to'liq bog'langan qatlamlar modelni yakunlash va tasniflash uchun ishlatiladi. cnnning ishlash prinsipi …$

4 / 11

tasvirning balandligi va kengligi, c esa tasvirning rang kanali (masalan, rangli tasvirlar uchun 3 kanal — qizil, yashil, ko'k). misol uchun, mnist datasetidagi tasvirlar 28x28 o'lchamda va bitta kanalga ega (ya'ni qora-oq). konvolyutsion qatlam (convolutional layer) konvolyutsion qatlam (yoki "filter" yoki "kernel" deb ataladi) tasvirni o'zining kichikroq bo'laklariga ajratadi va har bir bo'lakdan xususiyatlar chiqaradi. konvolyutsiya operatsiyasi har bir kichik bo'lakni tasvirning yuqori darajadagi xususiyatlarini ajratish uchun amalga oshiradi. filtrlar tasvirni tekshirib chiqadi va har bir kichik segmentdan o'ziga xos xususiyatlarni olish uchun matematik operatsiyalarni amalga oshiradi. har bir konvolyutsion qatlamda bir nechta filtrlar bo'ladi, va har bir filtr tasvirning boshqa xususiyatlarini chiqaradi (masalan, burchaklar, chiziqlar, tuzilmalar). aktivatsiya funksiyasi (activation function) relu (rectified linear unit) — konvolyutsion qatlamdan chiqqan natijalar ustida ishlatiladigan eng mashhur aktivatsiya funksiyasidir. relu ning ishlash prinsipi: agar kirish manfiy bo'lsa, natija 0 bo'ladi, aks holda kirish qiymati o'zgarishsiz qabul qilinadi. relu, tasvirni o'ziga xos xususiyatlar bilan …

5 / 11

n so'ng, tasvirning eng yuqori darajadagi xususiyatlari shakllanadi va shu xususiyatlar orqali tasniflash amalga oshiriladi. bu qatlam odatda softmax yoki sigmoid aktivatsiya funksiyasini ishlatadi, chunki ular tasniflash uchun mos keladi. chiqish qatlami (output layer) chiqish qatlam modelning yakuniy qismidir, bu qatlamdan tasvir tasnifi yoki natijasi chiqadi. tasniflash vazifasida, masalan, tasvirda nechta sinf mavjud bo'lsa (mnist datasetida 10 sinf), chiqish qatlamida har bir sinf uchun imkoniyatlar ko'rsatiladi. chiqish qatlamidagi softmax aktivatsiya funksiyasi barcha sinflar uchun ehtimollikni normalizatsiya qiladi, shunda barcha sinflar uchun ehtimolliklar yig'indisi 1 ga teng bo'ladi. modelni o'qitish (training) o'qitish jarayonida, model tasvirlarni kirish sifatida qabul qiladi, ularni konvolyutsion qatlamlar orqali o'tkazadi, aktivatsiya funksiyalarini qo'llaydi va keyin softmax orqali ehtimolliklarni chiqaradi. model chiqishi va haqiqiy javoblar orasidagi xatolikni o'lchash uchun loss function ishlatiladi. masalan, mnist uchun sparse_categorical_crossentropy ishlatiladi. gradients (gradientlar) yordamida backpropagation orqali modelni yangilash amalga oshiriladi. bu, modelning natijalari yaxshilanishi uchun og'irliklarni optimallashtirishga yordam beradi. cnnning ishlash jarayoni: …

Хотите читать дальше?

Скачайте все 11 страниц бесплатно через Telegram.

Скачать полный файл

О "sunniy intelekt asoslari mustaqil ish"

o’zbekiston respublikasi raqamli texnologiyalar vazirligi muhammad al-xorazmiy nomidagi toshkent axborot texnologiyalari universiteti sunniy intelekt asoslari mustaqil ish mavzu: cnn arxitekturasi va ishlash strukturasi. konvulatsion qatlamlarni hisoblash. guruh: 030-23 bajardi: shavkatov bexruz toshkent 2025 mavzu: cnn arxitekturasi va ishlash strukturasi. konvulatsion qatlamlarni hisoblash. reja: 1. cnn arxitekturasi va asosiy komponentlari 2. cnnning ishlash prinsipi 3. konvulatsion qatlamlarni hisoblash cnn arxitekturasi va asosiy komponentlari kirish konvolyutsion neyron tarmoqlari (cnn) — bu sun'iy neyron tarmoqlari turkumi bo'lib, asosan kompyuter tasvirlarini tanib olish, tasvirlarni tasniflash, videolarni tahlil qilish, va tabiiy tilni qayta ishlashda keng qo'llaniladi. cnn'lar kl...

Этот файл содержит 11 стр. в формате PDF (303,2 КБ). Чтобы скачать "sunniy intelekt asoslari mustaqil ish", нажмите кнопку Telegram слева.

Теги: sunniy intelekt asoslari mustaq… PDF 11 стр. Бесплатная загрузка Telegram