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
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.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.