Silabus Pelajaran 123 dari 246 · Modul 10: Jaringan yang bisa melihat (CNNs)
Modul 10: Jaringan yang bisa melihat (CNNs)

Kembali ke atas: upsampling dan transposed convolution

Kenapa ini penting Generators (Modul 15 sampai 17, di Bagian 2 kursus ini) harus mengubah peta fitur kecil kembali menjadi gambar penuh. Ada dua cara untuk memperbesar peta, dan salah satunya meninggalkan artefak papan catur yang terkenal.

  • Upsampling terdekat: salin setiap piksel ke dalam blok 2 kali 2, lalu terapkan konvolusi biasa. Halus dan sederhana.
  • Transposed convolution dengan stride 2: setiap piksel input mencap filter ke output, dengan jarak 2 piksel. Di mana cap saling tumpang tindih, kontribusinya bertambah. Dengan filter lebar 3 dan stride 2, beberapa piksel output mendapat dua cap dan tetangganya mendapat satu: pola tidak rata yang muncul sebagai papan catur.

Angka kecil

Input [1, 1, 1], filter [1, 1, 1], stride 2: stamps mulai di 0, 2 dan 4, menghasilkan [1, 1, 2, 1, 2, 1, 1]. Input datar jadi bergelombang.

Kata dan simbol di pelajaran ini
convolution
menggeser kisi kecil bobot (filter) di atas gambar, satu dot product per posisi
filter, peta fitur
grid bobot kecil yang telah dipelajari; dan citra dari responsnya
padding (p), stride (s)
pixel yang ditambahkan di pinggir; berapa banyak pixel yang digeser filter setiap langkahnya
transposed convolution
mencapkan filter ke output yang lebih besar; bisa menghasilkan pola papan catur
Giliranku

Tulis upsample2(x) untuk array 1D (setiap nilai dua kali) dan tconv1d(x, w, stride) (stempel x[i] * w mulai dari i * stride; panjang output (len(x) - 1) * stride + len(w)). Lalu atur checkerboard ke tconv1d(np.ones(6), np.ones(3), 2).

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.