بازگشت به بالا: افزایش نمونه و کانولوشن ترانهاده
چرا مهم است مولدها (ماژولهای 15 تا 17، در بخش 2 دوره) باید یک نقشهٔ ویژگی کوچک را دوباره به یک تصویر کامل تبدیل کنند. دو راه برای بزرگ کردن یک نقشه هست و یکی از آنها یک اثر شطرنجی معروف به جا میگذارد.
- افزایش نمونهٔ نزدیکترین همسایه: هر پیکسل را در یک بلوک 2 در 2 کپی کنید، سپس یک کانولوشن معمولی اعمال کنید. هموار و ساده.
- کانولوشن ترانهاده با گام 2: هر پیکسل ورودی فیلتر را با فاصلهٔ 2 پیکسل روی خروجی «مهر میزند». جایی که مهرها همپوشانی دارند، سهمها جمع میشوند. با یک فیلتر 3تایی و گام 2، بعضی پیکسلهای خروجی دو مهر و همسایههایشان یک مهر میگیرند: الگویی ناهموار که بهصورت یک شطرنجی آشکار میشود.
اعداد کوچک
ورودی [1, 1, 1]، فیلتر [1, 1, 1]، گام 2: مهرها از 0، 2 و 4 شروع میشوند و [1, 1, 2, 1, 2, 1, 1] میدهند. یک ورودی تخت ناهموار بیرون آمد.
واژهها و نمادهای این درس
- کانولوشن
- لغزاندن یک شبکهٔ کوچک از وزنها (یک فیلتر) روی یک تصویر، یک ضرب داخلی برای هر جایگاه
- فیلتر، نقشهٔ ویژگی
- شبکهٔ کوچک یادگرفتهشده از وزنها؛ و تصویر پاسخهایش
- لایهگذاری (p)، گام (s)
- صفرهایی که دور لبه اضافه میشوند؛ اینکه فیلتر در هر گام چند پیکسل حرکت میکند
- کانولوشن ترانهاده
- مهر زدن یک فیلتر روی یک خروجی بزرگتر؛ میتواند یک شطرنجی به جا بگذارد
upsample2(x) را برای یک آرایهٔ یکبعدی (هر مقدار دو بار) و tconv1d(x, w, stride) را بنویسید (x[i] * w را با شروع از i * stride مهر بزنید؛ طول خروجی (len(x) - 1) * stride + len(w)). سپس checkerboard را برابر tconv1d(np.ones(6), np.ones(3), 2) قرار دهید.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.