لماذا تؤدي الصور إلى كسر الـ MLPs
لماذا هذا مهم حصل قارئ الأرقام الخاص بك من Module 3 على حوالي 95%، والقارئ الأكبر قليلاً في هذا الدرس يحصل على حوالي 98%. حرك كل رقم بكسل واحد إلى اليمين وسوف ينهار. رؤية السبب هي الغرض الكامل من وجود convolutional networks.
ما نريده هو شبكة تتعرف على نمط أينما ظهر. احتفظ بهذه الفكرة؛ الدرس القادم يبني الأداة.
ثبات الترجمة: إعطاء نفس الإجابة عند تحريك المدخلات. لا تمتلك شبكات MLP هذه الخاصية؛ بينما تمتلك شبكات CNN هذه الخاصية غالبا.
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
تأتي صور الأرقام كمصفوفة بالشكل (N, 8, 8, 1): N صورة، و8 صفوف، و8 أعمدة، وقناة واحدة في الأخير (مستوى الرمادي من 0 إلى 1). يُستخدم ترتيب القنوات في الأخير هذا لكل صورة في هذه الوحدة. اكتب shift(X, dx) التي تحرّك كل صورة dx بكسل إلى اليمين (استخدم np.roll على محور الأعمدة). ثم املأ acc بدقة الاختبار لشبكة MLP المدرّبة عند الإزاحات 0 و1 و2.
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.