Conteúdo do curso Lição 113 de 246 · Módulo 10: Redes que veem (CNNs)
Módulo 10: Redes que veem (CNNs)

Preenchimento, stride e pooling

Por que isso importa Toda decisão de design de uma CNN muda o tamanho dos feature maps. Se você conseguir calcular os tamanhos de cabeça, você pode ler e projetar qualquer CNN.

  • Padding p: adicione p linhas e colunas de zeros ao redor da imagem para que o filtro possa ficar nas bordas. Com p = (k - 1) / 2 a saída mantém o tamanho da entrada ("same" padding).
  • Stride s: move o filtro s pixels por vez. Stride 2 reduz aproximadamente a metade do tamanho.
  • Pooling: reduza um mapa mantendo o maior (max pool) ou a média de cada bloco 2 por 2.

A única fórmula

out = (n + 2p - k) // s + 1. Verifique: n = 8, k = 3, p = 1, s = 1 dá 8. Com s = 2 dá 4.

Palavras e símbolos nesta lição
filter, mapa de características
a pequena grade aprendida de pesos; e a imagem de suas respostas
padding (p), stride (s)
zeros adicionados ao redor da borda; quantos pixels o filtro move a cada passo
out = (n + 2p - k) // s + 1
o lado de saída para o lado de entrada n e o lado do filtro k
pooling
reduzindo um mapa mantendo o máximo ou a média de cada bloco
Sua vez

Escreva out_size(n, k, p, s), e maxpool2(img) para uma imagem 2D com lados pares. Depois preveja, em predictions, o lado de saída para os cinco casos listados no início.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.