Tasoittaminen
Siirtyminen piirteiden tunnistuksesta luokitteluun
Kun konvoluutio- ja pooling-kerrokset ovat tunnistaneet olennaiset piirteet kuvasta, seuraava vaihe konvoluutiohermoverkossa (CNN) on luokittelu. Koska täysin kytketyt kerrokset vaativat yksidimensionaalisen syötteen, monidimensionaaliset piirteet on muunnettava luokitteluun sopivaan muotoon.
Piirrekarttojen muuntaminen 1D-vektoriksi
Litteäksi muuntaminen (flattening) tarkoittaa konvoluutio- ja pooling-kerrosten tuottaman tuloksen muotoilemista yhdeksi pitkäksi vektoriksi. Jos piirrekartalla on mitat X × Y × Z, flattening muuntaa sen 1D array, jonka pituus on X × Y × Z.
Esimerkiksi, jos lopullisen piirrekartan mitat ovat 7 × 7 × 64, flattening muuntaa sen (7 × 7 × 64) = 3136-dimensional vektoriksi. Tämä mahdollistaa täysin kytkettyjen kerrosten tehokkaan piirteiden käsittelyn.
Flattening-vaiheen merkitys ennen täysin kytkettyjä kerroksia
Täysin kytketyt kerrokset toimivat tavanomaisen hermoverkon rakenteen mukaisesti, jossa jokainen neuroni on yhteydessä seuraavan kerroksen jokaiseen neuroniin. Ilman flatteningia malli ei kykene tulkitsemaan piirrekarttojen tilallista rakennetta oikein. Flattening varmistaa:
- Oikean siirtymän piirteiden tunnistuksesta luokitteluun;
- Saumattoman yhdistämisen täysin kytkettyihin kerroksiin;
- Tehokkaan oppimisen säilyttämällä tunnistetut piirteet lopullista päätöksentekoa varten.
Flattening-vaiheen avulla CNN:t voivat hyödyntää konvoluutio- ja pooling-vaiheissa opittuja korkean tason piirteitä, mikä mahdollistaa kuvien kohteiden tarkan luokittelun.
1. Miksi flattening on tarpeellista CNN:ssä?
2. Jos feature mapin mitat ovat 10 × 10 × 32, mikä on flattenoidun ulostulon koko?
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Kysy minulta kysymyksiä tästä aiheesta
Tiivistä tämä luku
Näytä käytännön esimerkkejä
Awesome!
Completion rate improved to 3.45Tasoittaminen
Pyyhkäise näyttääksesi valikon
Siirtyminen piirteiden tunnistuksesta luokitteluun
Kun konvoluutio- ja pooling-kerrokset ovat tunnistaneet olennaiset piirteet kuvasta, seuraava vaihe konvoluutiohermoverkossa (CNN) on luokittelu. Koska täysin kytketyt kerrokset vaativat yksidimensionaalisen syötteen, monidimensionaaliset piirteet on muunnettava luokitteluun sopivaan muotoon.
Piirrekarttojen muuntaminen 1D-vektoriksi
Litteäksi muuntaminen (flattening) tarkoittaa konvoluutio- ja pooling-kerrosten tuottaman tuloksen muotoilemista yhdeksi pitkäksi vektoriksi. Jos piirrekartalla on mitat X × Y × Z, flattening muuntaa sen 1D array, jonka pituus on X × Y × Z.
Esimerkiksi, jos lopullisen piirrekartan mitat ovat 7 × 7 × 64, flattening muuntaa sen (7 × 7 × 64) = 3136-dimensional vektoriksi. Tämä mahdollistaa täysin kytkettyjen kerrosten tehokkaan piirteiden käsittelyn.
Flattening-vaiheen merkitys ennen täysin kytkettyjä kerroksia
Täysin kytketyt kerrokset toimivat tavanomaisen hermoverkon rakenteen mukaisesti, jossa jokainen neuroni on yhteydessä seuraavan kerroksen jokaiseen neuroniin. Ilman flatteningia malli ei kykene tulkitsemaan piirrekarttojen tilallista rakennetta oikein. Flattening varmistaa:
- Oikean siirtymän piirteiden tunnistuksesta luokitteluun;
- Saumattoman yhdistämisen täysin kytkettyihin kerroksiin;
- Tehokkaan oppimisen säilyttämällä tunnistetut piirteet lopullista päätöksentekoa varten.
Flattening-vaiheen avulla CNN:t voivat hyödyntää konvoluutio- ja pooling-vaiheissa opittuja korkean tason piirteitä, mikä mahdollistaa kuvien kohteiden tarkan luokittelun.
1. Miksi flattening on tarpeellista CNN:ssä?
2. Jos feature mapin mitat ovat 10 × 10 × 32, mikä on flattenoidun ulostulon koko?
Kiitos palautteestasi!
