Programma Lezione 112 di 246 · Modulo 10: Reti che vedono (CNN)
Modulo 10: Reti che vedono (CNN)

La convoluzione a mano

Perché è importante Un piccolo insieme di pesi, fatto scorrere su tutta l'immagine, trova lo stesso schema ovunque. Quest'unica idea ripara ciò che hai appena visto rompersi.

Guardalo

Avvia l'animazione. Una griglia di pesi 3 per 3, il filtro, sta sull'angolo in alto a sinistra dell'immagine. Moltiplica ognuno dei 9 pixel sotto di essa per il peso che ci sta sopra e somma: è un numero di output. Scorri di un passo a destra e rifallo. Quando il filtro ha visitato ogni posizione, gli output formano una nuova immagine un po' più piccola chiamata mappa delle caratteristiche.

Numeri piccolissimi

Il filtro [[-1, 0, 1]] * 3 rows risponde ai cambi di luminosità da sinistra a destra: su un pezzo scuro a sinistra e luminoso a destra dà un grande numero positivo; su un pezzo uniforme dà 0. È un rivelatore di bordi, e in una CNN filtri così vengono appresi, non scritti a mano.

Filtro (kernel): la piccola griglia di pesi. Convoluzione valida: solo le posizioni in cui il filtro sta tutto dentro l'immagine, quindi un'immagine n per n e un filtro k per k danno (n - k + 1) per (n - k + 1).

Parole e simboli di questa lezione
convoluzione
far scorrere una piccola griglia di pesi (un filtro) su un'immagine, un prodotto scalare per posizione
filtro, mappa delle caratteristiche
la piccola griglia di pesi appresa; e l'immagine delle sue risposte
Tocca a te

Scrivi conv2d(img, k): convoluzione valida (quella del deep learning, che non ribalta il filtro) di un'immagine 2D con un filtro 2D, usando cicli sulle posizioni di output.

Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione

Questo esercizio si apre presto

Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.