Lehrplan Lektion 113 von 246 · Modul 10: Netzwerke, die sehen (CNNs)
Modul 10: Netzwerke, die sehen (CNNs)

Padding, Stride und Pooling

Warum das wichtig ist Jede Designentscheidung eines CNN ändert die Größe der feature maps. Wenn du die Größen im Kopf ausrechnen kannst, kannst du jedes CNN lesen und entwerfen.

  • Padding p: füge p Zeilen und Spalten von Nullen um das Bild hinzu, damit der filter auf den Kanten liegen kann. Mit p = (k - 1) / 2 behält der output die Größe des inputs ("same" padding).
  • Stride s: bewege den filter s Pixel auf einmal. Stride 2 halbiert die Größe etwa.
  • Pooling: verkleinere eine Map, indem du den größten (max pool) oder den Durchschnitt jedes 2x2 Blocks behältst.

Die eine Formel

out = (n + 2p - k) // s + 1. Überprüfung: n = 8, k = 3, p = 1, s = 1 ergibt 8. Mit s = 2 ergibt es 4.

Wörter und Symbole in dieser Lektion
filter, Feature-Map
das kleine gelernte Gitter von Gewichten; und das Bild seiner Antworten
padding (p), stride (s)
Nullen am Rand hinzugefügt; wie viele Pixel der Filter jeden Schritt bewegt
out = (n + 2p - k) // s + 1
die Ausgabeseite für die Eingabeseite n und die Filterseite k
pooling
Verkleinerung einer Map durch Beibehalten des Maximums oder Durchschnitts jedes Blocks
Du bist dran

Schreibe out_size(n, k, p, s) und maxpool2(img) für ein 2D-Bild mit geraden Seiten. Vorhersage dann in predictions die Ausgabeseite für die fünf Fälle, die im Starter aufgelistet sind.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.