Ces dernières années, l’apprentissage profond a modifié le domaine de la vision par ordinateur, permettant aux ordinateurs de percevoir et de comprendre des informations visuelles à des niveaux inhabituels. Le jeu des réseaux de neurones convolutifs (CNN) a eu un impact crucial sur ce changement, avec quelques conceptions révolutionnaires ouvrant la voie. Deux des structures CNN les plus influentes sont AlexNet et GoogleNet (InceptionNet). Les deux modèles ont globalement contribué à la progression des tâches de classification d'images, mais ils diffèrent dans leurs structures et leurs principes de conception. Dans cet article, nous approfondirons les différences critiques entre AlexNet et GoogleNet, en explorant leurs structures, leurs décisions de conception et leur exécution.

Différences majeures entre AlexNet et GoogleNet

Qu’est-ce qu’AlexNet ?

AlexNet est une architecture de réseau neuronal convolutif (CNN) remarquable créée par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton. Il a été introduit en 2012 et a réalisé des progrès critiques dans le cadre du ImageNet Large Scope Visual Recognition Challenge (ILSVRC) en battant essentiellement différentes méthodologies. AlexNet a été le principal CNN à démontrer la viabilité de l'apprentissage profond pour les tâches de commande d'images, marquant un moment déterminant dans le domaine de la vision par ordinateur.

1. Architecture

Lancé en 2012, AlexNet était un fer de lance de CNN qui a remporté le ImageNet Large Scope Visual Recognition Challenge (ILSVRC) avec une marge d'erreur critique. Il comprend cinq couches convolutives suivies de trois couches complètement associées. L'utilisation de l'actionnement ReLU (Redressed Direct Unit) et de la standardisation des réactions de quartier (LRN) a ajouté à sa prospérité. AlexNet a également présenté l'idée d'impliquer des GPU dans la préparation, ce qui a complètement accéléré l'expérience croissante.

2. Profondeur du réseau :

Avec huit couches (cinq couches convolutives et trois couches complètement associées), AlexNet était considéré comme profond à l'heure de sa présentation. Néanmoins, contrairement aux conceptions actuelles, il est généralement superficiel, ce qui limite sa capacité à capturer des éléments et des exemples ahurissants dans des ensembles de données extrêmement complexes.

3. Productivité informatique :

Bien que la présentation d'AlexNet sur la préparation du GPU ait accéléré l'expérience éducative, elle restait coûteuse en termes de calcul en raison de ses couches plus profondes et complètement associées et de l'utilisation restreinte de la parallélisation.

4. Surapprentissage :

questions d'entretien en langage Java

En raison de sa conception modérément superficielle et de son grand nombre de limites, AlexNet était plus enclin au surajustement, en particulier sur des ensembles de données plus modestes. Des stratégies telles que le décrochage scolaire ont ensuite été utilisées pour atténuer ce problème.

5. Formation :

Pour former AlexNet, les créateurs ont utilisé l'ensemble de données ImageNet, qui contient plus de 1 000 000 d'images nommées provenant de 1 000 classifications. Ils ont utilisé la chute d'angle stochastique (SGD) avec l'énergie comme calcul d'amélioration. Au cours de la formation, des méthodes d'expansion de l'information telles que l'édition et le retournement arbitraires ont été appliquées pour augmenter la taille de l'ensemble de données de formation et développer davantage la généralisation.

Le système de formation a été sollicité informatiquement et l'utilisation des GPU par AlexNet pour une gestion égale s'est avérée essentielle. La formation d'AlexNet sur un framework double GPU a nécessité environ sept jours, ce qui représente une amélioration cruciale par rapport aux temps de formation habituels basés sur un processeur informatique.

6. Résultats :

Dans la rivalité ImageNet 2012, AlexNet a réalisé un taux d'erreurs remarquable dans le top 5 d'environ 15,3 %, battant largement différentes méthodologies.

Les résultats d'AlexNet ont déclenché un flot d'intérêt pour l'apprentissage profond et les CNN, provoquant un changement dans la concentration de la zone locale de vision par ordinateur vers des réseaux neuronaux supplémentaires, plus complexes et plus profonds.

7. Configuration de la couche convolutive :

Les couches convolutives d'AlexNet sont organisées selon une succession de base, avec des couches de pooling maximum périodiques pour le sous-échantillonnage. Cette ingénierie claire était capitale à ce moment-là, mais elle limitait la capacité de l'organisation à détecter des éléments progressistes complexes.

8. Diminution de la dimensionnalité :

AlexNet implique un regroupement maximal de couches pour le sous-échantillonnage, réduisant ainsi les composants spatiaux des cartes d'éléments. Cela aide à diminuer le poids de calcul et à contrôler le surapprentissage.

9. Taille et complexité du modèle :

Même si AlexNet était considéré comme profond à ce moment-là, il est un peu plus modeste et moins compliqué que les conceptions ultérieures. Cette simplicité l'a rendu plus évident et plus efficace.

10. Utilisation des classificateurs adjoints :

Pour résoudre le problème des angles d'évaporation lors de la préparation, AlexNet a présenté l'idée de classificateurs auxiliaires. Ces classificateurs supplémentaires ont été joints à des couches modérées et ont donné des signes d'angle aux couches précédentes lors de la rétropropagation.

11. Impact sur l’orientation de la recherche :

Les résultats d'AlexNet ont marqué un énorme changement dans le domaine de la vision PC. Cela a incité les scientifiques à étudier la capacité d’apprentissage approfondi pour différentes tâches liées aux images, ce qui a conduit à l’amélioration rapide des conceptions CNN plus développées.

comment retourner un tableau java

Qu'est-ce que GoogleNet ?

GoogleNet, autrement appelé Inception v1, est une architecture CNN créée par le groupe Google Brain, notamment par Christian Szegedy, Wei Liu et d'autres. Il a été introduit en 2014 et a remporté l’ILSVRC avec une précision et une productivité informatique encore plus développées. L'architecture de GoogleNet se caractérise par sa conception approfondie, qui comprend 22 couches, ce qui en fait l'un des premiers CNN « exceptionnellement profonds ».

1. Architecture

tutoriel .net

GoogleNet (Inception v1) : Présenté en 2014, GoogleNet est incontournable pour le groupe Inception des CNN. Il est connu pour sa conception approfondie impliquant 22 couches (modules de création). Le développement essentiel de GoogleNet est le module de création, qui considère des convolutions égales de différentes tailles de canaux à l'intérieur d'une couche similaire. Cela a réduit la complexité informatique tout en restant précis, rendant GoogleNet plus efficace qu'AlexNet.

2. Profondeur du réseau :

Les modules de démarrage de GoogleNet sont considérés comme une conception essentiellement plus approfondie sans augmenter les dépenses de calcul. Avec 22 couches, GoogleNet a été l'un des principaux CNN à montrer les avantages d'une profondeur de réseau étendue, ce qui a permis de développer davantage la précision et la puissance.

3. Productivité informatique :

Les modules de création de GoogleNet sont considérés comme une utilisation plus productive des ressources informatiques. En utilisant des convolutions égales dans chaque bloc de création, GoogleNet a réduit le nombre de limites et de calculs, le rendant plus accessible pour les applications continues et la transmission sur les gadgets contraints par les actifs.

4. Surapprentissage :

La conception approfondie mais efficace de GoogleNet a essentiellement réduit le surapprentissage, lui permettant de mieux fonctionner sur des ensembles de données plus modestes et de modifier les situations d'apprentissage.

5. Formation :

La formation de GoogleNet développe en outre l'utilisation de l'ensemble de données ImageNet, et des procédures d'augmentation d'informations comparables ont été utilisées pour améliorer la généralisation. Quoi qu'il en soit, en raison de son architecture plus profonde, GoogleNet a nécessité plus d'actifs informatiques qu'AlexNet lors de la formation.

Le développement de modules de création a permis à GoogleNet de trouver une sorte d'harmonie entre profondeur et efficacité informatique. Les convolutions égales à l'intérieur de chaque bloc de création ont réduit le nombre de calculs et de limites, rendant la formation plus réalisable et plus efficace.

6. Résultats :

GoogleNet a réalisé un excellent taux d'erreur dans le top 5 d'environ 6,67 % lors du concours ImageNet 2014, surpassant la présentation d'AlexNet.

L'architecture profonde mais compétente de GoogleNet a montré la capacité de réseaux neuronaux plus profonds tout en restant à la hauteur de la réalisabilité informatique, ce qui la rend plus attrayante pour les véritables applications.

7. Configuration de la couche convolutive :

GoogleNet a présenté l'idée de modules débutants, qui comprennent de nombreuses couches convolutives égales de différentes tailles de canaux. Ce plan permet à GoogleNet de capturer les faits saillants à différentes échelles et travaille globalement sur la capacité de l'organisation à supprimer des éléments significatifs de différents degrés de délibération.

8. Diminution de la dimensionnalité :

Nonobstant le pooling maximum habituel, GoogleNet utilise des méthodes de réduction de dimensionnalité telles que les convolutions 1x1. Ces convolutions plus modestes nécessitent moins de calculs et aident à réduire le nombre d'éléments tout en sauvegardant les données fondamentales.

9. Taille et complexité du modèle :

Les modules Origin de GoogleNet apportent une conception plus profonde avec fondamentalement plus de couches et de limites. Cette complexité, tout en offrant une précision plus poussée, peut également obliger l'organisation à effectuer davantage de tests à préparer et à calibrer.

dormir en javascript

10. Utilisation des classificateurs adjoints :

GoogleNet a affiné l'idée des classificateurs assistants en les incorporant dans les modules d'initiation. Ces classificateurs assistants font progresser la préparation de couches plus profondes et améliorent le flux angulaire, contribuant ainsi à une préparation plus régulière et plus efficace.

11. Impact sur l’orientation de la recherche :

Les premiers modules de GoogleNet présentaient la possibilité d'une extraction efficace de composants à différentes échelles. Cette idée a eu un impact sur le plan des conceptions résultantes, permettant aux analystes de se concentrer sur l'avancement de la profondeur de l'organisation et de la productivité informatique tout en gardant ou en développant davantage la précision.

Conclusion

AlexNet et GoogleNet influencent durablement le domaine de la vision par ordinateur et du deep learning. AlexNet a montré la capacité des CNN pour les tâches de reconnaissance d'images et s'est préparé pour les progressions futures. Là encore, GoogleNet a présenté l'idée de modules d'origine, les préparant à des structures CNN plus efficaces et plus profondes.

Même si AlexNet et GoogleNet ont leurs atouts particuliers, le domaine du deep learning s'est fondamentalement développé depuis leurs présentations. Les conceptions actuelles, comme ResNet, DenseNet et EfficientNet, ont également repoussé les limites de la précision, de la productivité et de la généralisation. Alors que les analystes continuent d’améliorer et de développer ces modèles essentiels, le sort de la vision par ordinateur réserve un engagement beaucoup plus important et des perspectives supplémentaires intrigantes.