Vì sao ảnh làm hỏng MLP
Vì sao điều này quan trọng Bộ đọc chữ số của bạn từ Mô-đun 3 đạt khoảng 95%, và cái lớn hơn một chút trong bài học này đạt khoảng 98%. Dịch mỗi chữ số sang phải một điểm ảnh và nó sụp đổ. Thấy được vì sao là toàn bộ lý do mạng tích chập tồn tại.
Một MLP cho mỗi điểm ảnh một trọng số riêng. Nó học "một điểm ảnh sáng ở hàng 3, cột 5 nghĩa là số 7". Dịch chữ số một điểm ảnh và mọi điểm ảnh sáng rơi vào một trọng số đã học thứ khác. Với MLP, một số 7 bị dịch là một bức ảnh hoàn toàn mới.
Điều ta muốn là một mạng nhận ra một khuôn mẫu ở bất cứ đâu nó xuất hiện. Hãy giữ suy nghĩ đó; bài học tiếp theo dựng công cụ.
Tính bất biến tịnh tiến (translation invariance): cho cùng câu trả lời khi đầu vào bị dịch chuyển. MLP không có nó; CNN phần lớn có.
Từ và ký hiệu trong bài học này
- tích chập
- trượt một lưới nhỏ các trọng số (một bộ lọc) trên một ảnh, một tích vô hướng cho mỗi vị trí
- bộ lọc, bản đồ đặc trưng
- lưới nhỏ các trọng số đã học; và ảnh các phản hồi của nó
Các ảnh chữ số tới dưới dạng một mảng shape (N, 8, 8, 1): N ảnh, 8 hàng, 8 cột và 1 kênh ở cuối (mức xám từ 0 tới 1). Bố cục kênh-ở-cuối này được dùng cho mọi ảnh trong mô-đun này. Viết shift(X, dx) dịch mọi ảnh sang phải dx điểm ảnh (dùng np.roll dọc theo trục cột). Rồi điền acc bằng độ chính xác kiểm thử của MLP đã huấn luyện ở các phép dịch 0, 1 và 2.
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.