Convolution met de hand
Waarom dit ertoe doet Eén kleine set weights, die over de hele afbeelding schuift, vindt hetzelfde patroon overal. Die ene gedachte herstelt wat je net zag breken.
Bekijk het
Speel de animatie af. Een 3 bij 3 rooster van gewichten, de filter, staat in de linkerbovenhoek van de afbeelding. Vermenigvuldig elk van de 9 pixels eronder met het gewicht erboven en tel ze bij elkaar op: dat is één output getal. Schuif één stap naar rechts en doe het opnieuw. Wanneer de filter elke positie heeft bezocht, vormen de outputs een nieuwe, iets kleinere afbeelding genaamd een feature map.
Tintalletjes
De filter [[-1, 0, 1]] * 3 rows reageert op helderheidsveranderingen van links naar rechts: op een vlak dat links donker en rechts helder is geeft het een groot positief getal; op een vlak zonder contrast geeft het 0. Het is een randdetector, en in een CNN worden zulke filters learned, niet met de hand geschreven.
Filter (kernel): het kleine raster van gewichten. Valid convolution: alleen posities waar de filter volledig binnen de afbeelding past, dus een n bij n afbeelding en een k bij k filter geven (n - k + 1) bij (n - k + 1).
Woorden en symbolen in deze les
- convolution
- het verschuiven van een klein raster van gewichten (een filter) over een afbeelding, één dot product per positie
- filter, feature map
- het kleine geleerde raster van gewichten; en de afbeelding van de responsen
Schrijf conv2d(img, k): geldige convolutie (het deep learning soort, dat de filter niet omdraait) van een 2D afbeelding met een 2D filter, gebruikmakend van lussen over de uitvoerposities.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.