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
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.
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.