CNN-এর মূল

কেন ANN ইমেজে ব্যর্থ?

২২৪×২২৪ RGB ইমেজ = ১,৫০,৫২৮ feature। Fully-connected hidden layer-এ ১০০০ unit হলে ১৫ কোটি+ parameter — প্রচুর memory, overfit, এবং পিক্সেলের spatial relation হারিয়ে যায়। CNN তিনটি ধারণায় এই সমস্যা সমাধান করে।

CNN-এর তিনটি মূল ধারণা

1. Local Receptive Field: প্রতিটি neuron ছোট patch দেখে, পুরো ইমেজ নয়।
2. Weight Sharing: একই filter পুরো ইমেজে স্লাইড — parameter বহুগুণ কম।
3. Translation Invariance: বিড়াল উপরে-বামে হোক বা নিচে-ডানে — একইভাবে চিনে।

সাধারণ CNN পাইপলাইন

Input Image (H × W × C)
   ↓ Conv + ReLU
   ↓ Pooling
   ↓ Conv + ReLU
   ↓ Pooling
   ↓ Flatten
   ↓ Fully Connected
   ↓ Softmax → Class probabilities

মূল Layer-গুলো এক নজরে

Hierarchical Feature Learning

শুরুর layer শেখে edge ও color, মাঝখানে texture ও pattern, শেষে পুরো object part — চোখ, চাকা, মুখ। এই hierarchy-ই CNN-এর শক্তি।

সরল Keras CNN

from tensorflow.keras import layers, models

model = models.Sequential([
    layers.Conv2D(32, 3, activation="relu", input_shape=(28,28,1)),
    layers.MaxPooling2D(2),
    layers.Conv2D(64, 3, activation="relu"),
    layers.MaxPooling2D(2),
    layers.Flatten(),
    layers.Dense(64, activation="relu"),
    layers.Dense(10, activation="softmax"),
])
model.summary()

অনুশীলন

সারসংক্ষেপ