Lehrplan Lektion 123 von 246 · Modul 10: Netzwerke, die sehen (CNNs)
Modul 10: Netzwerke, die sehen (CNNs)

Zurück zum Anfang: upsampling und transposed convolution

Warum das wichtig istGeneratoren (Module 15 bis 17, in Teil 2 des Kurses) müssen eine kleine Feature Map wieder in ein vollständiges Bild umwandeln. Es gibt zwei Wege, eine Map zu vergrößern, und einer davon hinterlässt ein berühmtes Schachbrettartefakt.

  • Nearest upsampling: kopiere jedes Pixel in einen 2 by 2 Block, dann wende eine gewöhnliche convolution an. Glatt und einfach.
  • Transposed convolution mit stride 2: Jedes Eingabepixel "stempelt" den filter auf den output, mit 2 Pixeln Abstand. Wo sich Stempel überlappen, addieren sich die Beiträge. Mit einem 3-breiten filter und stride 2 erhalten einige output Pixel zwei Stempel und ihre Nachbarn einen: ein unebenes Muster, das als Schachbrett erscheint.

Kleine Zahlen

Input [1, 1, 1], filter [1, 1, 1], stride 2: stamps starten bei 0, 2 und 4, was [1, 1, 2, 1, 2, 1, 1] ergibt. Ein flacher Input kam wellig heraus.

Wörter und Symbole in dieser Lektion
convolution
Verschiebe ein kleines Gitter von Gewichten (einen Filter) über ein Bild, ein Skalarprodukt pro Position
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
transposed convolution
stempel auf eine größere Ausgabe anbringen; kann ein Schachbrettmuster hinterlassen
Du bist dran

Schreibe upsample2(x) für ein 1D array (jeden Wert zweimal) und tconv1d(x, w, stride) (stemple x[i] * w beginnend bei i * stride; Ausgabelänge (len(x) - 1) * stride + len(w)). Setze dann checkerboard auf tconv1d(np.ones(6), np.ones(3), 2).

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.