Issn 2072-0297 Молодой учёный Международный научный журнал Выходит еженедельно №4 (138) / 2017 р е д а к ц и о н н а я к о л л е г и я : Главный редактор

Современные глубокие сверточные нейронные сети
Григорьева Евгения Юрьевна, студент; 
Мисюра Михаил Александрович, студент; 
Палиенко Алексей Николаевич, студент
Дальневосточный федеральный университет (г. Владивосток)
В
2006 году компания Microsoft услышала негодование 
пользователей по поводу технологии Captcha и пред-
ложила пользователям для подтверждения того, что они 
не являются компьютерным ботом выбирать кошечек и 
собак. Данное решение не просто сделало рутинную про-
цедуру подтверждения более приятной, но и носила со-
циально-полезный характер: фотографии кошек и собак 
подгружались с сайтов бездомных животных, и можно 
было перейти по ссылке и получить сведения о месте на-
хождения животного, если появилось желание взять его 
домой.
В то время компьютер решал задачу определения на-
ходится на фотографии кошка или собака с вероятно-
стью 60 %. Это конечно не 50 %, но все же очень близко 
к подбрасыванию монеты. И решение считалось вполне 
удачным.
Спустя 8 лет благодаря технологии глубоких сверх-
точных нейронных сетей были созданы алгоритмы реша-
8. Матренин, М.В. Методы стохастической оптимизации: учебное пособие / П.В. Матренин, М.Г. Гриф, 
В.Г. Секаев // Новосибирск: Изд-во НГТУ, 2016. — 67 с.

---

154
«Молодой учёный» . № 4 (138)  . Январь 2017 г.
Информатика
ющие данную задачу с вероятностью 98,914 %. Данная за-
дача стала классической задачей обучения нейронной сети 
«Dogs vs. Cats». Она больше не подходила для сервиса 
Captcha и ушла в историю.
Что такое сверточная нейронная сеть? В принципе это 
нейронная сеть прямого распространения, то есть это 
просто сложная функция. Она берет на вход картинку, то 
есть просто массив чисел и применяет к картинке последо-
вательность определенных простых преобразований.
Основное преобразование, которое происходит в про-
цессе обработки изображения, называется обобщенная 
свертка. Сверточные нейросети произвели революцию в 
компьютерном зрении и распознавании образов. Так же 
их используют для распознавания речи, обработки видео, 
временных рядов, анализа смысла текста и даже для игр. 
Можно с уверенностью сказать, что это самое новаци-
онное в том, что называется глубоким или глубинным об-
учением.
Нейроны в данной сети разбиты на группы, называ-
емые слоями, и когда такая слоиста нейронная сеть при-
меняется к данным, то активация этих слоев, значение пе-
ременных (нейронов) подсчитывается последовательно. 
Сначала подсчитывается значение активации 1-го слоя, 
потом значение активации второго слоя и так далее до по-
следнего слоя. Активация последнего слоя служит выхо-
дами нейронной сети. В такой сети есть много параметров, 
определяющих как активация следующего слоя зависит 
от активации предыдущего. Более того, активации внутри 
одного слоя могут подсчитываться одновременно, они друг 
от друга не зависят. Это приводит к тому, что такие сети 
можно очень удобно и эффективно обрабатывать на со-
временных процессорах, особенно графических процес-
сорах, используя технологии параллельных вычислений.
Обучение такой сети происходит на большом количе-
стве обучающих данных таким образом: для каждого об-
учающего примера мы знаем, что мы хотим получить на 
выходе. Если мы берем текущее состояние нейросети и 
применяем к ней конкретный обучающий пример, смо-
трим, что получилось на выходе и как это отличается от 
того, что мы хотели бы увидеть.
Далее с помощью концептуально не сложных матема-
тических манипуляций, которые называются методом об-
ратного распространения ошибки, мы можем понять как 
именно нам модифицировать параметры каждого слоя так, 
чтобы на выходе получалось что-то более похожее на то, 
что мы хотим увидеть.
Рис.