Snelle convolutie: één grote matrixvermenigvuldiging (im2col)
Waarom dit ertoe doet Je loop convolution bezoekt elke output pixel in Python, wat traag is. Echte libraries maken de hele convolution om tot één matrix vermenigvuldiging, de operatie waar computers het beste in zijn.
Bekijk het
Speel de animatie af. Snijd elk k bij k vlak uit dat de filter zou bezoeken en leg elk vlak plat als een rij: dat is im2col ("image to columns"). Leg de filter plat als een kolom. Nu berekent één matrixvermenigvuldiging, rijen keer kolom, elke output tegelijk. Met veel filters wordt de kolom een matrix en doet nog steeds één vermenigvuldiging alles.
De kosten: de patches overlappen, dus de patch matrix herhaalt pixels en neemt meer geheugen in. Snelheid voor geheugen is een afweging die je keer op keer tegenkomt.
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
- im2col
- Leg elke patch plat als een rij zodat een convolutie een matrix vermenigvuldiging wordt
Schrijf im2col(img, k) die een (aantal posities, k*k) matrix van afgeplatte patches in rij-voor-rij volgorde teruggeeft, en conv_fast(img, filt) die de geldige convolutie berekent met één matrixvermenigvuldiging. Je mag over de k bij k offsets loopen, maar niet over de uitvoerpixels.
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.