Padding, stride và pooling
Vì sao điều này quan trọng Mọi quyết định thiết kế CNN đều thay đổi kích thước của các bản đồ đặc trưng. Nếu bạn tính được các kích thước trong đầu, bạn đọc và thiết kế được bất kỳ CNN nào.
- Padding p: thêm p hàng và cột số không quanh ảnh để bộ lọc có thể nằm trên các mép. Với p = (k - 1) / 2 đầu ra giữ kích thước của đầu vào (padding "same").
- Stride s: dịch bộ lọc s điểm ảnh mỗi lần. Stride 2 giảm kích thước khoảng một nửa.
- Pooling: thu nhỏ một bản đồ bằng cách giữ giá trị lớn nhất (max pool) hay trung bình của mỗi khối 2 x 2.
Một công thức duy nhất
out = (n + 2p - k) // s + 1. Kiểm tra: n = 8, k = 3, p = 1, s = 1 cho 8. Với s = 2 nó cho 4.
Từ và ký hiệu trong bài học này
- bộ lọc, bản đồ đặc trưng
- lưới nhỏ các trọng số đã học; và ảnh các phản hồi của nó
- padding (p), stride (s)
- các số không được thêm quanh mép; bộ lọc dịch bao nhiêu điểm ảnh mỗi bước
- out = (n + 2p - k) // s + 1
- cạnh đầu ra với cạnh đầu vào n và cạnh bộ lọc k
- pooling
- thu nhỏ một bản đồ bằng cách giữ giá trị lớn nhất hay trung bình của mỗi khối
Viết out_size(n, k, p, s), và maxpool2(img) cho một ảnh 2D có các cạnh chẵn. Rồi dự đoán, trong predictions, cạnh đầu ra cho năm trường hợp được liệt kê trong mã khởi đầu.
Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này
Bài tập này sẽ sớm mở.
Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.
Trình duyệt này đang chặn cookie cho learn.floati.life, nên các bài học bạn đã hoàn thành tại đây không thể mở theo thứ tự. Hãy cho phép cookie cho trang web này và tải lại trang.