हाथ से convolution
यह क्यों मायने रखता है weights का एक छोटा set, पूरी image पर सरकाया, हर जगह वही pattern ढूँढता है। वह एक विचार वह ठीक करता है जो आपने अभी टूटते देखा।
इसे देखें
animation चलाएँ। weights का एक 3 गुणा 3 grid, filter, image के ऊपरी-बाएँ कोने पर बैठता है। उसके नीचे के 9 pixels में से हर एक को उसके ऊपर के weight से गुणा करें और जोड़ें: वह एक output संख्या है। एक step दाईं ओर सरकें और फिर करें। जब filter हर स्थिति पर जा चुका हो, outputs एक नई, थोड़ी छोटी image बनाते हैं जिसे feature map कहते हैं।
छोटी संख्याएँ
filter [[-1, 0, 1]] * 3 rows बाएँ-से-दाएँ चमक बदलावों पर प्रतिक्रिया देता है: बाईं ओर अँधेरे और दाईं ओर चमकीले एक टुकड़े पर यह एक बड़ी धनात्मक संख्या देता है; एक सपाट टुकड़े पर यह 0 देता है। यह एक edge detector है, और एक CNN में ऐसे filters सीखे जाते हैं, हाथ से नहीं लिखे।
Filter (kernel): weights का छोटा grid। Valid convolution: बस वे स्थितियाँ जहाँ filter पूरी तरह image के अंदर समाए, इसलिए एक n गुणा n image और एक k गुणा k filter (n - k + 1) गुणा (n - k + 1) देते हैं।
इस पाठ के शब्द और चिह्न
- convolution
- weights का एक छोटा grid (एक filter) एक image पर सरकाना, हर स्थिति पर एक dot product
- filter, feature map
- weights का छोटा सीखा grid; और उसकी प्रतिक्रियाओं की image
conv2d(img, k) लिखें: एक 2D filter के साथ एक 2D image का valid convolution (deep learning वाला प्रकार, जो filter नहीं पलटता), output स्थितियों पर loops इस्तेमाल करते हुए।
इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें
यह अभ्यास जल्द खुलेगा
इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।