Waarom afbeeldingen MLPs breken
Waarom dit ertoe doet Je cijferlezer uit Module 3 scoorde ongeveer 95%, en de iets grotere in deze les scoort ongeveer 98%. Verplaats elk cijfer één pixel naar rechts en het stort in. Zien waarom is de hele reden waarom convolutionele netwerken bestaan.
Een MLP geeft elke pixel zijn eigen gewicht. Het leert "een heldere pixel op rij 3, kolom 5 betekent een 7". Verschuif de cijfer één pixel en elke heldere pixel landt op een gewicht dat iets anders heeft geleerd. Voor de MLP is een verschoven 7 een gloednieuw plaatje.
Wat we willen is een netwerk dat een patroon herkent waar het ook verschijnt. Onthoud dat even; de volgende les bouwt het hulpmiddel.
Vertaling-invariantie: hetzelfde antwoord geven wanneer de input wordt verplaatst. MLPs hebben het niet; CNNs hebben het meestal wel.
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
De afbeeldingen van de cijfers komen als een array van vorm (N, 8, 8, 1): N afbeeldingen, 8 rijen, 8 kolommen en 1 kanaal laatste (grijswaarde van 0 tot 1). Deze kanaal-laatste indeling wordt gebruikt voor elke afbeelding in deze module. Schrijf shift(X, dx) dat elke afbeelding dx pixels naar rechts verplaatst (gebruik np.roll langs de kolomas). Vul daarna acc met de test accuracy van de getrainde MLP bij verschuivingen 0, 1 en 2.
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.