المنهج الدراسي الدرس 115 من 246 · الوحدة 10: الشبكات التي ترى (CNNs)
الوحدة 10: الشبكات التي ترى (CNNs)

الطي العكسي

لماذا هذا مهم لتعلم مرشحاتها، تحتاج CNN إلى تدرج الخسارة بالنسبة لكل وزن من أوزان المرشحات. يتبين أنها عملية تلافيف أخرى.

أرقام صغيرة، في البعد الأول

إدخال

، تصفية x = [1, 2, 3, 4]، مخرج صالح w = [10, 20]. الوزن w[0] لمس x[0]، x[1]، x[2] (مرة واحدة لكل مخرج)، لذا تدرجه هو y = [1*10 + 2*20, 2*10 + 3*20, 3*10 + 4*20] = [50, 80, 110]: الإدخال انزلق مقابل التدرج الوارد g. الإدخال x[1] استُخدم بواسطة y[0] (مع w[1]) و y[1] (مع w[0])، لذا يجمع تدرجه g[0]*x[0] + g[1]*x[1] + g[2]*x[2].g[0]*w[1] + g[1]*w[0].

القواعد

  • Filter gradient: قم بتحريك المدخل مقابل التدرج الوارد (ارتباط صالح لـ x مع g).
  • المدخلات المتدرجة: قم بتعبئة g وإزاحة الفلتر، معكوسا، فوقها (عملية convolution كاملة).

نفس الفكرة في 2D. Conv2d يفتح في مكتبة house بعد هذا الدرس.

الكلمات والرموز في هذا الدرس
convolution
تحريك شبكة صغيرة من الأوزان (مرشح) عبر صورة، عملية ضرب نقطي واحدة لكل موضع
filter، خريطة الميزات
شبكة الأوزان الصغيرة المتعلمة؛ وصورة استجاباتها
دورك

اكتب conv1d(x, w) (valid) و conv1d_backward(x, w, g) التي تعيد (dx, dw). ثم conv2d_backward(img, k, g) التي تعيد (dimg, dk) لعملية الـ 2D valid convolution. يختبر الاختبار المخفي كل gradient مقابل nudge.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.