> For the complete documentation index, see [llms.txt](https://docs.binaexperts.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.binaexperts.com/abrmqadyr-pyshrfth/aamwzsh-msttyly.md). # آموزش مستطیلی "آموزش مستطیلی" به استراتژی آموزشی اشاره دارد که در آن تصاویر ورودی قبل از ورود به شبکه عصبی برای آموزش، تغییر اندازه یا برش داده می شوند تا نسبت ثابتی داشته باشند. در آموزش مستطیلی، نسبت تصاویر ورودی معمولاً متفاوت از نسبت تصاویر اصلی در مجموعه داده است. اینجا چگونگی کار آموزش مستطیلی است: تغییر اندازه یا برش: در آموزش مستطیلی، تصاویر ورودی تغییر اندازه یا برش داده می شوند تا نسبت ثابتی داشته باشند، که اغلب بر اساس ملاحظات عملی یا محدودیت های معماری شبکه عصبی انتخاب می شوند. این ممکن است شامل پد کردن یا برش دادن تصاویر ورودی برای جا به جایی در نسبت مورد نظر باشد. نرمال سازی: پس از تغییر اندازه یا برش، تصاویر ورودی معمولاً نرمال سازی می شوند تا اطمینان حاصل کنند که ارزش های پیکسل در تصاویر مختلف یکنواخت است. این مرحله نرمال سازی کمک می کند تا پایداری و همگرایی فرآیند آموزش را بهبود بخشد. آموزش: سپس تصاویر تغییر اندازه یا برش داده شده به شبکه عصبی برای آموزش داده می شوند. در طول آموزش، شبکه یاد می گیرد تا ویژگی ها را استخراج کند و بر اساس تصاویر ورودی مستطیلی پیش بینی کند. آموزش مستطیلی می تواند چندین مزیت ارائه دهد، از جمله: بهبود تعمیم: با آموزش مدل بر روی تصاویر ورودی با نسبت ثابت، آموزش مستطیلی می تواند به بهبود عملکرد تعمیم مدل کمک کند، به خصوص وقتی که نسبت تصاویر اصلی در مجموعه داده به طور گسترده ای متفاوت است. پیاده سازی ساده شده: آموزش مستطیلی می تواند پیاده سازی مدل شبکه عصبی را با اطمینان از اینکه تمام تصاویر ورودی دارای نسبت ثابتی هستند، ساده کند. این می تواند طراحی و آموزش معماری مدل را آسان تر کند. استفاده کارآمد از حافظه: تغییر اندازه یا برش دادن تصاویر ورودی به نسبت ثابت می تواند به بهینه سازی استفاده از حافظه در طول آموزش کمک کند، به خصوص وقتی که با منابع محاسباتی محدود مانند حافظه GPU کار می کنید. در کل، آموزش مستطیلی یک تکنیک مفید برای آموزش مدل های شبکه عصبی بر روی مجموعه داده ها با نسبت های متغیر است، و می تواند به بهبود عملکرد و کارایی فرآیند آموزش کمک کند. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.binaexperts.com/abrmqadyr-pyshrfth/aamwzsh-msttyly.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.