Litteytys
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
Flattening eli litistäminen 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 käsitellä tunnistetut piirteet tehokkaasti.
Tasoituksen merkitys ennen syöttämistä täysin kytkettyihin kerroksiin
Täysin kytketyt kerrokset toimivat tavanomaisessa neuroverkkorakenteessa, jossa jokainen neuroni on yhteydessä jokaiseen seuraavan kerroksen neuroniin. Ilman tasoitusta malli ei kykene tulkitsemaan ominaisuuskarttojen spatiaalista rakennetta oikein. Tasoitus varmistaa:
- Oikea siirtymä ominaisuuksien tunnistuksesta luokitteluun;
- Saumaton yhteensopivuus täysin kytkettyjen kerrosten kanssa;
- Tehokas oppiminen säilyttämällä poimitut kuviot lopullista päätöksentekoa varten.
Tasoittamalla ominaisuuskartat CNN:t voivat hyödyntää konvoluution ja poolauksen aikana opittuja korkean tason piirteitä, mikä mahdollistaa kuvassa olevien objektien tarkan luokittelun.
1. Miksi tasoitus on tarpeellinen CNN:ssä?
2. Jos ominaisuuskartan mitat ovat 10 × 10 × 32, mikä on tasoitetun ulostulon koko?
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain how flattening is implemented in popular deep learning frameworks?
Why is it important to preserve the spatial structure before flattening?
What happens if we skip the flattening step in a CNN?
Awesome!
Completion rate improved to 3.45Litteytys
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
Flattening eli litistäminen 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 käsitellä tunnistetut piirteet tehokkaasti.
Tasoituksen merkitys ennen syöttämistä täysin kytkettyihin kerroksiin
Täysin kytketyt kerrokset toimivat tavanomaisessa neuroverkkorakenteessa, jossa jokainen neuroni on yhteydessä jokaiseen seuraavan kerroksen neuroniin. Ilman tasoitusta malli ei kykene tulkitsemaan ominaisuuskarttojen spatiaalista rakennetta oikein. Tasoitus varmistaa:
- Oikea siirtymä ominaisuuksien tunnistuksesta luokitteluun;
- Saumaton yhteensopivuus täysin kytkettyjen kerrosten kanssa;
- Tehokas oppiminen säilyttämällä poimitut kuviot lopullista päätöksentekoa varten.
Tasoittamalla ominaisuuskartat CNN:t voivat hyödyntää konvoluution ja poolauksen aikana opittuja korkean tason piirteitä, mikä mahdollistaa kuvassa olevien objektien tarkan luokittelun.
1. Miksi tasoitus on tarpeellinen CNN:ssä?
2. Jos ominaisuuskartan mitat ovat 10 × 10 × 32, mikä on tasoitetun ulostulon koko?
Kiitos palautteestasi!
