Padding, stride और pooling
यह क्यों मायने रखता है हर CNN design निर्णय feature maps का आकार बदलता है। अगर आप दिमाग़ में आकार निकाल सकें, आप कोई भी CNN पढ़ और design कर सकते हैं।
- Padding p: image के आस-पास शून्यों की p rows और columns जोड़ें ताकि filter किनारों पर बैठ सके। p = (k - 1) / 2 के साथ output input का आकार रखता है ("same" padding)।
- Stride s: filter को एक बार में s pixels हिलाएँ। Stride 2 आकार को मोटे तौर पर आधा करता है।
- Pooling: हर 2 गुणा 2 block का सबसे बड़ा (max pool) या औसत रखकर एक map सिकोड़ें।
एक सूत्र
out = (n + 2p - k) // s + 1। जाँच: n = 8, k = 3, p = 1, s = 1 8 देता है। s = 2 के साथ यह 4 देता है।
इस पाठ के शब्द और चिह्न
- filter, feature map
- weights का छोटा सीखा grid; और उसकी प्रतिक्रियाओं की image
- padding (p), stride (s)
- किनारे के आस-पास जोड़े शून्य; filter हर step कितने pixels हिलता है
- out = (n + 2p - k) // s + 1
- input भुजा n और filter भुजा k के लिए output भुजा
- pooling
- हर block का max या औसत रखकर एक map सिकोड़ना
out_size(n, k, p, s), और सम भुजाओं वाली एक 2D image के लिए maxpool2(img) लिखें। फिर predictions में starter में सूचीबद्ध पाँच मामलों के लिए output भुजा का अनुमान लगाएँ।
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।