فاطمه درویش - دانشجوی کارشناسی ارشد مهندسی نرم افزار دانشگاه پیام نور
احمد فراهی - هیئت علمی گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور

تا پیش از ظهور یادگیری عمیق، یادگیری های مرسوم به این صورت بود که ویژگی ها از داده های ورودی استخراجمیشد و سپس مدل بر اساس ویژگی ها، داده ها را دسته بندی می کرد. ویژگی ها بیان دیگری از داده ها هستند که تابعنگاشت ورودی به خروجی با آنها کار می کند. در روش های سنتی یادگیری، استخراج ویژگی به صورت دستی انجاممی شده است و باتوجه به حوزه کاربرد مسئله، از بین ویژگی ها، مناسب ترین آنها انتخاب می شدند؛ لیکن در یادگیریعمیق استخراج ویژگی به صورت دستی انجام نمی گیرد و خود شبکه به صورت خودکار ویژگی ها را یاد می گیرد. یکیاز مشهورترین و محبوب ترین شبکه ها در بحث یادگیری عمیق، شبکه عصبی کانولوشنی U-Net است. در سال هایاخیر به دلیل محبوبیت مباحث یادگیری عمیق بین پژوهشگران، بهینه سازی های متعددی هم بر روی معماری شبکهU-Net و هم بر روی هایپرپارامترهای این شبکه مطرح شده است که هر کدام موجب بهبودهایی در برخی کارکردهایاین شبکه شده اند. این نوشتار به بررسی شبکه عصبی کانولوشنی U-NET و معروف ترین بهینه سازهایی که رویهایپرپارامترهای این شبکه معرفی شده اند می پردازد.

یادگیری عمیق، U-NET ، هایپرپارامترهای U-NET