<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Cnn on ntdim</title><link>https://ppid.ru/tags/cnn/</link><description>Recent content in Cnn on ntdim</description><generator>Hugo</generator><language>ru</language><lastBuildDate>Wed, 05 Aug 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://ppid.ru/tags/cnn/index.xml" rel="self" type="application/rss+xml"/><item><title>Как нейросети научились видеть: свёртки, фильтры и архитектура CNN</title><link>https://ppid.ru/blog/cnn-vision/</link><pubDate>Wed, 05 Aug 2026 00:00:00 +0000</pubDate><guid>https://ppid.ru/blog/cnn-vision/</guid><description>&lt;p>В &lt;a href="https://ppid.ru/blog/classical-ml/">прошлой статье&lt;/a> мы разбирали классическое машинное обучение — алгоритмы, которые подбирают функцию под табличные данные. Но у таблиц есть предел: они не описывают изображения. Картинка 224×224 — это 150 тысяч чисел (пикселей), и связывать каждый пиксель с каждым, как делает полносвязная сеть, бессмысленно: слишком много параметров, слишком мало сигнала, слишком сильное &lt;a href="https://ppid.ru/glossary/#overfitting" class="glossary-link" data-tooltip="Слишком точная подгонка под обучающие данные, после чего модель теряет обобщающую способность и плохо работает на новых примерах. Главная болезнь ML; лечат регуляризацией, кросс-валидацией, увеличением данных и ранней остановкой." data-term="Переобучение (overfitting)">переобучение&lt;/a>.&lt;/p></description></item></channel></rss>