الحشو والخطوة والتجميع
لماذا هذا مهم كل قرار تصميم في CNN يغير حجم خرائط الميزات. إذا استطعت حساب الأحجام في ذهنك، يمكنك قراءة وتصميم أي CNN.
- Padding p: أضف p صفوفا وأعمدة من الأصفار حول الصورة حتى يتمكن filter من الجلوس على الحواف. مع p = (k - 1) / 2 يحافظ المخرج على حجم المدخلات ("same" padding).
- Stride s: تحرك الفلتر s بكسل في كل مرة. Stride 2 يقلل الحجم إلى النصف تقريبًا.
- Pooling: تصغير الخريطة عن طريق الاحتفاظ بأكبر قيمة (max pool) أو متوسط كل كتلة مكونة من 2 في 2.
الصيغة الواحدة
out = (n + 2p - k) // s + 1. تحقق: n = 8, k = 3, p = 1, s = 1 تعطي 8. مع s = 2 تعطي 4.
الكلمات والرموز في هذا الدرس
- filter، خريطة الميزات
- شبكة الأوزان الصغيرة المتعلمة؛ وصورة استجاباتها
- الحشوة (p)، الخطوة (s)
- أصفار مضافة حول الحافة؛ كم بكسل يتحرك المرشح في كل خطوة
- out = (n + 2p - k) // s + 1
- جان الإخراج لجان الإدخال n وجانب المرشح k
- pooling
- تصغير خريطة عن طريق الاحتفاظ بالحد الأقصى أو المتوسط لكل كتلة
اكتب out_size(n, k, p, s)، و maxpool2(img) لصورة ثنائية الأبعاد بأضلاع زوجية. ثم توقع، في predictions، طول ضلع المخرجات للحالات الخمس المدرجة في البداية.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.