Conteúdo do curso Lição 123 de 246 · Módulo 10: Redes que veem (CNNs)
Módulo 10: Redes que veem (CNNs)

Voltando atrás: upsampling e transposed convolution

Por que isso importa Generators (Modules 15 to 17, in Part 2 of the course) devem transformar um pequeno feature map de volta em uma imagem completa. Existem duas formas de expandir um mapa, e uma delas deixa um famoso artefato de tabuleiro.

  • Nearest upsampling: copie cada pixel em um bloco 2 por 2, depois aplique uma convolução comum. Suave e simples.
  • Transposed convolution com stride 2: cada pixel de entrada "carimba" o filtro na saída, com 2 pixels de distância. Onde os carimbos se sobrepõem, as contribuições se somam. Com um filtro de largura 3 e stride 2, alguns pixels de saída recebem dois carimbos e seus vizinhos recebem um: um padrão irregular que aparece como um tabuleiro de xadrez.

Números pequenos

Input [1, 1, 1], filter [1, 1, 1], stride 2: stamps começam em 0, 2 e 4, dando [1, 1, 2, 1, 2, 1, 1]. Um input plano saiu irregular.

Palavras e símbolos nesta lição
convolution
deslizando uma pequena grade de pesos (um filtro) por uma imagem, um produto escalar por posição
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
transposed convolution
carimbando um filtro em uma saída maior; pode deixar um tabuleiro
Sua vez

Escreva upsample2(x) para um array 1D (cada valor duas vezes) e tconv1d(x, w, stride) (carimbe x[i] * w começando em i * stride; comprimento de saída (len(x) - 1) * stride + len(w)). Depois defina checkerboard como tconv1d(np.ones(6), np.ones(3), 2).

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.