Müfredat 246 dersinden 115. · Modül 10: Gören ağlar (CNN'ler)
Modül 10: Gören ağlar (CNN'ler)

Evrişim için geri geçiş

Neden önemli Filtrelerini öğrenmek için bir CNN kaybın her filtre ağırlığına göre gradyanına ihtiyaç duyar. Bunun da başka bir evrişim olduğu ortaya çıkar.

Küçük sayılar, önce 1B'de

Girdi x = [1, 2, 3, 4], filtre w = [10, 20], geçerli çıktı y = [1*10 + 2*20, 2*10 + 3*20, 3*10 + 4*20] = [50, 80, 110]. w[0] ağırlığı x[0], x[1], x[2]'ye dokundu (çıktı başına bir kez), bu yüzden gradyanı g[0]*x[0] + g[1]*x[1] + g[2]*x[2]'dir: gelen g gradyanına karşı kaydırılan girdi. x[1] girdisi y[0] (w[1] ile) ve y[1] (w[0] ile) tarafından kullanıldı, bu yüzden gradyanı g[0]*w[1] + g[1]*w[0] toplar.

Kurallar

  • Filtre gradyanı: girdiyi gelen gradyana karşı kaydır (x'in g ile geçerli korelasyonu).
  • Girdi gradyanı: g'yi doldur ve filtreyi ters çevrilmiş olarak onun üzerinde kaydır (tam bir evrişim).

2B'de aynı fikir. Bu dersten sonra ev kütüphanesinde Conv2d'nin kilidi açılır.

Bu dersteki kelimeler ve semboller
evrişim
küçük bir ağırlık ızgarasını (bir filtre) bir resim boyunca kaydırmak, konum başına bir iç çarpım
filtre, özellik haritası
öğrenilmiş küçük ağırlık ızgarası; ve onun tepkilerinden oluşan resim
Senin sıran

conv1d(x, w) (geçerli) ve (dx, dw) döndüren conv1d_backward(x, w, g) yaz. Sonra 2B geçerli evrişim için (dimg, dk) döndüren conv2d_backward(img, k, g) yaz. Gizli test her gradyanı bir itmeye karşı kontrol eder.

Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor

Bu alıştırma yakında açılacak

Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.