왜 이미지가 MLP를 망가뜨리는가
왜 중요한가 모듈 3의 숫자 판독기는 약 95%를 받았고, 이 레슨의 조금 더 큰 것은 약 98%를 받아요. 각 숫자를 오른쪽으로 한 픽셀 옮기면 무너져요. 왜인지 보는 것이 합성곱 신경망이 존재하는 이유 전부예요.
MLP는 모든 픽셀에 자기 가중치를 줘요. "3행 5열의 밝은 픽셀은 7을 뜻한다"를 배워요. 숫자를 한 픽셀 옮기면 모든 밝은 픽셀이 다른 걸 배운 가중치 위에 떨어져요. MLP에게 옮겨진 7은 완전히 새로운 그림이에요.
원하는 건 패턴이 어디에 나타나든 알아보는 신경망이에요. 그 생각을 붙잡고 있으세요. 다음 레슨이 도구를 만들어요.
이동 불변성: 입력이 이리저리 옮겨져도 같은 답을 주는 것. MLP에는 없고, CNN에는 대체로 있어요.
이 레슨의 단어와 기호
- 합성곱
- 작은 가중치 격자(필터)를 이미지 위로 미끄러뜨리며, 위치마다 내적 하나
- 필터, 특성 맵
- 학습한 작은 가중치 격자, 그리고 그 반응들의 이미지
숫자 이미지는 모양 (N, 8, 8, 1)인 배열로 와요: 이미지 N장, 8행, 8열, 그리고 마지막에 채널 1개(0부터 1까지의 회색 수준). 이 채널 마지막 배치는 이 모듈의 모든 이미지에 쓰여요. 모든 이미지를 오른쪽으로 dx 픽셀 옮기는 shift(X, dx)를 쓰세요(열 축을 따라 np.roll을 쓰세요). 그다음 acc를 옮김 0, 1, 2에서 훈련된 MLP의 테스트 정확도로 채우세요.
이 연습은 곧 열려요
앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.
이 브라우저가 learn.floati.life의 쿠키를 막고 있어서, 여기서 마친 레슨들이 순서대로 열리지 않아요. 이 사이트의 쿠키를 허용하고 새로고침하세요.