Dolgu, adım ve havuzlama
Neden önemli Her CNN tasarım kararı özellik haritalarının boyutunu değiştirir. Boyutları kafandan hesaplayabilirsen, her CNN'i okuyup tasarlayabilirsin.
- Dolgu p: filtre kenarlara oturabilsin diye resmin etrafına p satır ve sütun sıfır ekle. p = (k - 1) / 2 ile çıktı girdinin boyutunu korur ("same" dolgu).
- Adım s: filtreyi her seferinde s piksel kaydır. Adım 2 boyutu kabaca yarıya indirir.
- Havuzlama: her 2'ye 2 bloğun en büyüğünü (maksimum havuzlama) ya da ortalamasını tutarak bir haritayı küçült.
Tek formül
out = (n + 2p - k) // s + 1. Kontrol: n = 8, k = 3, p = 1, s = 1, 8 verir. s = 2 ile 4 verir.
Bu dersteki kelimeler ve semboller
- filtre, özellik haritası
- öğrenilmiş küçük ağırlık ızgarası; ve onun tepkilerinden oluşan resim
- dolgu (p), adım (s)
- kenarın etrafına eklenen sıfırlar; filtrenin her adımda kaç piksel ilerlediği
- out = (n + 2p - k) // s + 1
- girdi kenarı n ve filtre kenarı k için çıktı kenarı
- havuzlama
- her bloğun maksimumunu ya da ortalamasını tutarak bir haritayı küçültmek
out_size(n, k, p, s) ve kenarları çift olan 2B bir resim için maxpool2(img) yaz. Sonra predictions içinde başlangıç kodunda listelenen beş durum için çıktı kenarını tahmin et.
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.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.