المنهج الدراسي الدرس 113 من 246 · الوحدة 10: الشبكات التي ترى (CNNs)
الوحدة 10: الشبكات التي ترى (CNNs)

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
دورك

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.

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.