Programme Leçon 113 sur 246 · Module 10 : Des réseaux qui voient (CNN)
Module 10 : Des réseaux qui voient (CNN)

Padding, stride et pooling

Pourquoi c'est important Chaque décision de conception d'un CNN change la taille des cartes de caractéristiques. Si tu sais calculer les tailles de tête, tu sais lire et concevoir n'importe quel CNN.

  • Padding p : ajoute p lignes et colonnes de zéros autour de l'image pour que le filtre puisse se poser sur les bords. Avec p = (k - 1) / 2, la sortie garde la taille de l'entrée (padding « same »).
  • Stride s : déplace le filtre de s pixels à la fois. Un stride de 2 divise à peu près la taille par deux.
  • Pooling : rétrécis une carte en gardant le plus grand (max pool) ou la moyenne de chaque bloc de 2 par 2.

La seule formule

out = (n + 2p - k) // s + 1. Vérifie : n = 8, k = 3, p = 1, s = 1 donne 8. Avec s = 2, ça donne 4.

Mots et symboles de cette leçon
filtre, carte de caractéristiques
la petite grille de poids apprise ; et l'image de ses réponses
padding (p), stride (s)
les zéros ajoutés autour du bord ; de combien de pixels le filtre se déplace à chaque pas
out = (n + 2p - k) // s + 1
le côté de sortie pour un côté d'entrée n et un côté de filtre k
pooling
rétrécir une carte en gardant le max ou la moyenne de chaque bloc
À ton tour

Écris out_size(n, k, p, s), et maxpool2(img) pour une image 2D aux côtés pairs. Puis prédis, dans predictions, le côté de sortie pour les cinq cas listés dans le code de départ.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.