Resimler MLP'leri neden bozar
Neden önemli Modül 3'teki rakam okuyucun yaklaşık %95 aldı, bu dersteki biraz daha büyüğü yaklaşık %98 alıyor. Her rakamı bir piksel sağa kaydır, çöküyor. Nedenini görmek, evrişimli ağların var olmasının bütün nedenidir.
Bir MLP her piksele kendi ağırlığını verir. "3. satır, 5. sütundaki parlak bir piksel 7 demektir" diye öğrenir. Rakamı bir piksel kaydır, her parlak piksel başka bir şey öğrenmiş bir ağırlığa düşer. MLP için kaydırılmış bir 7 yepyeni bir resimdir.
İstediğimiz, bir kalıbı nerede görünürse görünsün tanıyan bir ağ. Bu düşünceyi aklında tut; sonraki ders aracı kuruyor.
Öteleme değişmezliği: girdi yer değiştirdiğinde aynı cevabı vermek. MLP'lerde yoktur; CNN'lerde çoğunlukla vardır.
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
Rakam resimleri (N, 8, 8, 1) şeklinde bir dizi olarak geliyor: N resim, 8 satır, 8 sütun ve en sonda 1 kanal (0'dan 1'e gri seviyesi). Bu kanal sonda düzeni bu modüldeki her resim için kullanılır. Her resmi dx piksel sağa kaydıran shift(X, dx) yaz (sütun ekseni boyunca np.roll kullan). Sonra acc sözlüğünü eğitilmiş MLP'nin 0, 1 ve 2 kaydırmadaki test doğruluğuyla doldur.
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.