Шаг 206.
Глубокое обучение на Python. ... . Введение в сверточные нейронные сети. Операция свертывания. Эффекты границ и дополнение

    На этом шаге мы рассмотрим, как работают эффекты границ, и что такое дополнение.

    Перед нами карта признаков 5 × 5 (всего 25 клеток). Существует всего девять клеток, в которых может находиться центр окна 3 × 3, образующих сетку 3 × 3 (рисунок 1).


Рис.1. Допустимые местоположения шаблонов 3 × 3 во входной карте признаков 5 × 5

    Следовательно, карта выходных признаков будет иметь размер 3 × 3. Она получилась немного сжатой: ровно на две клетки вдоль каждого измерения. Вы можете увидеть, как проявляется эффект границ на более раннем примере: изначально у нас имелось 28 × 28 входов, количество которых после первого сверточного слоя сократилось до 26 × 26.

    Чтобы получить выходную карту признаков с теми же пространственными размерами, что и входная карта, можно использовать дополнение (padding). Дополнение заключается в добавлении соответствующего количества строк и столбцов с каждой стороны входной карты признаков, чтобы можно было поместить центр окна свертки в каждую входную клетку. Для окна 3 × 3 нужно добавить один столбец справа, один столбец слева, одну строку сверху и одну строку снизу Для окна 5 × 5 нужно добавить две строки (рисунок 2).


Рис.2. Дополнение входной карты признаков 5 × 5, чтобы получить 25 шаблонов 3 × 3

    При использовании слоев Conv2D дополнение настраивается с помощью аргумента padding, который принимает два значения:

    По умолчанию аргумент padding получает значение "valid".

    На следующем шаге мы рассмотрим шаг свертки.




Предыдущий шаг Содержание Следующий шаг