Silabus Pelajaran 116 dari 246 · Modul 10: Jaringan yang bisa melihat (CNNs)
Modul 10: Jaringan yang bisa melihat (CNNs)

Konvolusi cepat: satu perkalian matriks besar (im2col)

Kenapa ini penting Loop convolution kamu mengunjungi setiap piksel output di Python, yang mana lambat. Library asli mengubah seluruh convolution menjadi satu perkalian matriks, operasi yang paling dikuasai komputer.

Lihat sendiri

Mainkan animasinya. Potong setiap patch k oleh k yang akan dikunjungi filter dan susun masing-masing menjadi baris: itu adalah im2col ("image to columns"). Susun filter menjadi kolom. Sekarang satu perkalian matriks, baris kali kolom, menghitung setiap output sekaligus. Dengan banyak filter, kolom menjadi matriks dan tetap satu perkalian menyelesaikan semuanya.

Biayanya: patch saling tumpang tindih, jadi matriks patch mengulang pixel dan memakan lebih banyak memori. Kecepatan untuk memori adalah kompromi yang akan kamu temui lagi dan lagi.

Kata dan simbol di pelajaran ini
convolution
menggeser kisi bobot kecil (filter) di atas gambar, satu dot product per posisi
filter, peta fitur
grid bobot kecil yang telah dipelajari; dan citra dari responsnya
im2col
meratakan setiap patch menjadi baris agar konvolusi menjadi satu perkalian matriks
Giliranku

Tulis im2col(img, k) yang mengembalikan matriks (jumlah posisi, k*k) dari patch yang diratakan dalam urutan baris demi baris, dan conv_fast(img, filt) menghitung konvolusi valid dengan satu perkalian matriks. Kamu boleh melakukan loop pada offset k kali k, tapi jangan pada piksel output.

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.