Programma Lezione 113 di 246 · Modulo 10: Reti che vedono (CNN)
Modulo 10: Reti che vedono (CNN)

Padding, stride e pooling

Perché è importante Ogni decisione di progetto di una CNN cambia la dimensione delle mappe delle caratteristiche. Se sai calcolare le dimensioni a mente, sai leggere e progettare qualsiasi CNN.

  • Padding p: aggiungi p righe e colonne di zeri attorno all'immagine così il filtro può stare sui bordi. Con p = (k - 1) / 2 l'output mantiene la dimensione dell'input (padding "same").
  • Stride s: sposta il filtro di s pixel alla volta. Stride 2 dimezza più o meno la dimensione.
  • Pooling: rimpicciolisci una mappa tenendo il più grande (max pool) o la media di ogni blocco 2 per 2.

L'unica formula

out = (n + 2p - k) // s + 1. Verifica: n = 8, k = 3, p = 1, s = 1 dà 8. Con s = 2 dà 4.

Parole e simboli di questa lezione
filtro, mappa delle caratteristiche
la piccola griglia di pesi appresa; e l'immagine delle sue risposte
padding (p), stride (s)
zeri aggiunti attorno al bordo; di quanti pixel si sposta il filtro a ogni passo
out = (n + 2p - k) // s + 1
il lato dell'output per lato dell'input n e lato del filtro k
pooling
rimpicciolire una mappa tenendo il massimo o la media di ogni blocco
Tocca a te

Scrivi out_size(n, k, p, s), e maxpool2(img) per un'immagine 2D con lati pari. Poi prevedi, in predictions, il lato dell'output per i cinque casi elencati nel codice di partenza.

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.