Quali sono i principali tipi di reti neurali e come funzionano nel deep learning?

La funzione non lineare utilizzata nelle reti neurali, spesso una funzione sigmoide o tangente iperbolica, consente una buona capacità di convergenza, facilitando un rapido raggiungimento della soluzione finale durante l’addestramento. Il processo di trasferimento delle informazioni, dove gli output dei nodi di un livello vengono inviati ai nodi del livello successivo, può essere paragonato a un processo di derivazione neurale simile a quello umano. Tuttavia, a differenza del cervello umano, le reti neurali non possono svolgere un’analisi logica o una derivazione normale fino a quando non sono addestrate mediante algoritmi di apprendimento supervisionato con coppie di dati di input e output noti.

Una rete neurale con due o tre strati è generalmente definita rete a apprendimento superficiale (shallow learning), mentre se il numero di strati è superiore a tre si parla di rete neurale profonda (deep learning network).

Le reti feedforward elaborano i dati in un’unica direzione, dagli strati di input a quelli di output, collegando ogni nodo di un livello a tutti i nodi del livello successivo. Durante l’addestramento, un processo di feedback migliora le predizioni sulla base di dati noti di input e output.

Le reti con backpropagation utilizzano un algoritmo di apprendimento basato su un ciclo di retropropagazione dell’errore. In questo processo, ogni nodo fa una previsione basata su un peso stimato, verifica l’accuratezza della previsione e assegna pesi maggiori ai percorsi che portano a risultati corretti e pesi minori a quelli che conducono a errori. Successivamente, gli errori vengono propagati all’indietro per correggere i pesi e migliorare l’accuratezza complessiva della rete. Questo meccanismo è fondamentale per minimizzare la funzione di costo, che quantifica l’errore tra il valore previsto e quello reale.

Le reti convoluzionali, molto utilizzate nel riconoscimento e nella classificazione delle immagini, effettuano convoluzioni matematiche sui dati in input. Un’immagine viene scomposta in matrici più piccole, su cui si applica l’algoritmo di convoluzione per estrarre caratteristiche rilevanti come bordi, colori o profondità, preservando informazioni cruciali per la classificazione. L’architettura tipica di una CNN include vari livelli: input, convoluzione, funzione di attivazione non lineare (come ReLU), pooling, strati completamente connessi e infine lo strato di output.

La funzione di attivazione ReLU introduce non linearità impostando a zero i valori negativi, senza modificare la dimensione dell’input. Questo facilita la capacità della rete di modellare relazioni complesse.

La comprensione di queste architetture è essenziale per approfondire le potenzialità del deep learning e delle reti neurali moderne. È importante considerare che il successo di queste reti dipende fortemente dalla qualità e quantità dei dati di addestramento, nonché dalla scelta accurata dei parametri di apprendimento. Inoltre, la capacità di generalizzazione del modello, ovvero la sua efficacia su dati non visti, è una sfida cruciale che richiede tecniche come la regolarizzazione e la validazione incrociata per essere affrontata adeguatamente. L’evoluzione delle reti neurali ha portato alla creazione di architetture ibride e personalizzate, che combinano diversi tipi di reti per risolvere problemi sempre più complessi, rendendo il campo in continua espansione e aggiornamento.

Come si prepara un dataset di immagini di frutta per l’addestramento e la classificazione tramite Deep Learning?

La creazione di un dataset di immagini accuratamente organizzato è fondamentale per l’addestramento di modelli di Deep Learning volti alla classificazione di immagini di frutta. Il processo inizia dalla raccolta delle immagini originali, che in questo caso si trovano nella cartella “train_data”. Il primo passaggio consiste nel ridimensionare tutte le immagini originali a una dimensione uniforme di 100 × 100 × 3 pixel, garantendo così coerenza nei dati di input e facilitando l’elaborazione computazionale.

Successivamente, si procede alla selezione di sei specifiche categorie di frutta: Tomato 3, Tomato 4, Tomato Cherry Red, Tomato Maroon, Tomato Yellow e Walnut. Queste categorie vengono organizzate in sei sottocartelle distinte, che a loro volta sono contenute in una cartella principale chiamata “fruit_train_data”. Tale struttura gerarchica favorisce un accesso ordinato e diretto ai dati di ciascuna classe. Ogni sottocartella contiene un numero definito di immagini, variabile per ciascuna categoria, ad esempio 357 immagini per Tomato 3 e fino a 715 per Walnut.

Il processo di preparazione è implementato tramite uno script (Setup_Images.m) che automatizza le operazioni. Esso inizia dichiarando variabili locali fondamentali per la gestione del flusso, come “n” per il conteggio sequenziale delle immagini, “M” per il numero di sottocartelle (classi) e “N” per il numero di immagini destinate al test. Vengono poi definiti i percorsi delle directory di origine, addestramento e test per facilitare l’accesso e la manipolazione dei file.

Attraverso funzioni di sistema, lo script individua tutte le sottocartelle originali, ne esclude le directory di sistema come “.” e “..”, e crea nuove sottocartelle nell’ambito del dataset di addestramento. Un ciclo annidato legge sequenzialmente ogni immagine originale, la preelabora (ad esempio, ridimensionandola), e la salva nella rispettiva sottocartella della cartella di training.

Ottenuto il dataset preprocessato, la fase successiva prevede la costruzione di un modello di rete neurale profonda. Nel codice dedicato (Fruits_Classify.m), si definisce il percorso di salvataggio del modello addestrato e si imposta la directory contenente le immagini di training. Si acquisiscono quindi le sei sottocartelle delle classi, pronte per essere utilizzate come input al processo di training.

La cura con cui si organizza e preelabora il dataset influisce significativamente sulla qualità e sull’efficacia dell’addestramento del modello. Uniformare le dimensioni delle immagini e suddividerle accuratamente in categorie distinte riduce la complessità del problema e facilita la convergenza degli algoritmi di apprendimento. Inoltre, la separazione in dati di training e test consente di misurare in modo realistico le capacità predittive del modello, evitando fenomeni di overfitting.

È importante considerare che, oltre a quanto descritto, la qualità delle immagini (illuminazione, angolazione, risoluzione) e la variabilità intrinseca nelle classi di frutta sono elementi che influenzano profondamente il risultato finale. Una corretta gestione di questi aspetti, ad esempio tramite tecniche di data augmentation o bilanciamento del dataset, può migliorare ulteriormente le prestazioni. Inoltre, la scelta di un formato di immagine standardizzato come JPG e la conversione in immagini a colori con tre canali permettono di preservare informazioni cromatiche essenziali per la discriminazione tra le varietà di frutta.

L’implementazione del codice in MATLAB dimostra come un approccio sistematico e modulare consenta di automatizzare il flusso di lavoro, riducendo il rischio di errori e facilitando la replicabilità. Infine, per chi intraprende un progetto simile, è fondamentale comprendere che la preparazione del dataset è un passaggio tanto critico quanto complesso, che richiede attenzione al dettaglio e capacità di adattamento in base alla natura dei dati disponibili.

Come si Classificano i Segnali Audio: Un'Analisi Approfondita degli Algoritmi

I segnali non stazionari, come quelli vocali, hanno spettri che cambiano nel tempo. Per semplificare i compiti legati all'apprendimento automatico, i segnali non stazionari possono essere approssimati come stazionari se analizzati su scale temporali abbastanza piccole. In generale, i segnali vocali possono essere considerati stazionari quando vengono osservati su scale temporali intorno ai 30 ms. Pertanto, la voce può essere caratterizzata estraendo le caratteristiche da finestre di analisi di 30 ms nel tempo. Un esempio di come i segnali audio vengano convertiti in file basati su finestre è mostrato nella figura 6.40.

Cos'è il Mel-Frequency Cepstral Coefficients (MFCC)?

Nel trattamento del suono, il Mel-Frequency Cepstrum (MFC) è una rappresentazione dello spettro di potenza a breve termine di un suono, basato su una trasformata coseno lineare dello spettro di potenza logaritmica su una scala di frequenza Mel non lineare. L'udito umano percepisce i suoni in modo logaritmico, il che significa che siamo più sensibili alle differenze nelle basse frequenze rispetto alle alte frequenze. Ad esempio, possiamo facilmente percepire la differenza tra 500 e 1000 Hz, ma avremmo difficoltà a distinguere tra 10.000 e 10.500 Hz, nonostante la distanza tra i due valori sia la stessa. Per questo motivo è stata introdotta la scala Mel. La scala Mel è una scala logaritmica basata sul principio che le distanze uguali su di essa corrispondano a distanze percettive equivalenti. La conversione dalla frequenza (f) alla scala Mel (m) è espressa dalla formula:

Un mel-spettrogramma è quindi uno spettrogramma in cui le frequenze sono convertite alla scala Mel. L'informazione sulla velocità di cambiamento delle bande spettrali di un segnale è fornita dal suo cepstrum. Un cepstrum è essenzialmente uno spettro del logaritmo dello spettro del segnale nel dominio del tempo. Il risultato è uno spettro che non appartiene né al dominio del tempo né a quello della frequenza, e per questo motivo è stato chiamato dominio della quefruenza (un anagramma della parola frequenza). I Coefficienti Cepstrali di Frequenza Mel (MFCC) sono i coefficienti che compongono il mel-frequenza cepstrum.

Cos'è il Band Energy Ratio (BER)?

Il Rapporto di Energia per Banda (BER) è un rapporto di potenza tra bande di frequenze definite, come tra le bande di frequenza bassa e quelle ad alta frequenza. Il rapporto di energia per banda è una misura relativamente comune, proposta per misurare l'attività oscillatoria o periodica. Viene calcolato come segue:

Questo rapporto può essere visto come una misura di quanto le frequenze basse siano dominanti rispetto alle alte. Tale caratteristica è stata ampiamente utilizzata nella discriminazione tra musica e parlato e nella classificazione musicale.

Le Classi e le Funzioni di MATLAB per la Classificazione dei Segnali Audio

MATLAB fornisce diverse classi e funzioni per supportare la classificazione dei segnali audio, molte delle quali appartengono ai toolbox di Deep Learning e Audio Toolbox. Tra queste, alcune delle più popolari sono elencate nella tabella 6.15. La funzione classifySound() è utilizzata per classificare segnali audio sconosciuti basati su un modello audio addestrato, come il modello YAMNet. È importante notare che i tipi di segnali audio sconosciuti devono essere inclusi nei segnali di addestramento per il modello, altrimenti la funzione non potrà essere utilizzata per classificare altri tipi di segnali.

La classe audioFeatureExtractor permette di raccogliere e incapsulare tutte le caratteristiche dell'audio in un oggetto, che viene poi riorganizzato in una sequenza di celle per facilitarne la selezione e l'elaborazione. Un altro strumento utile è l'app Signal Labeler, che aiuta l'utente a configurare il dataset audio in ingresso, selezionando i punti di interesse per le caratteristiche, impostando le aree per i segnali rilevati e mappando le etichette corrispondenti.

La classe audioDatastore è particolarmente utile per l'elaborazione di segnali audio multipli. Essa funge da contenitore organizzato per tutti i segnali audio in ingresso e i file audio, gestendoli come una sequenza di moduli simili a una lista con etichette mappate. Utilizzando questo tipo di modulo, non è necessario separare manualmente i dati di addestramento dai dati di test, poiché funzioni come SplitEachLabel() eseguono automaticamente questa operazione.

Creare un Progetto di Classificazione Audio per Digit Sounds

Un esempio pratico di classificazione audio è l'uso del Free Spoken Digit Dataset (FSDD), che contiene suoni di 10 cifre (da 0 a 9) con 200 file audio per ogni cifra. Questo dataset è facilmente scaricabile da fonti pubbliche e può essere utilizzato per addestrare modelli di classificazione audio. L'approccio tipico include la creazione di uno script MATLAB per classificare questi suoni, utilizzando funzioni di estrazione e selezione delle caratteristiche audio.

Nel progetto, è possibile utilizzare la funzione extract() per estrarre tutte le caratteristiche selezionate definite dalla classe audioFeatureExtractor, che permette di abilitare specifici parametri come la frequenza, la durata, e l'intensità del segnale.

Materiale Aggiuntivo per il Lettore

Quando si lavora con la classificazione dei segnali audio, è importante comprendere che la qualità e la completezza dei dati di addestramento sono fondamentali per il successo del modello. La diversità dei segnali audio e la quantità di dati in ingresso influenzano direttamente le performance del modello di classificazione. Inoltre, la scelta delle caratteristiche più appropriate da estrarre (come MFCC o BER) dipende dal tipo di segnale audio che si sta analizzando e dal contesto specifico, come il parlato, la musica, o il rumore ambientale.