Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Oppiskele Litteytys | Konvoluutioneuroverkot
Tietokonenäön Perusteet

bookLitteytys

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.

Flattening

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?

question mark

Miksi tasoitus on tarpeellinen CNN:ssä?

Select the correct answer

question mark

Jos ominaisuuskartan mitat ovat 10 × 10 × 32, mikä on tasoitetun ulostulon koko?

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 3. Luku 4

Kysy tekoälyä

expand

Kysy tekoälyä

ChatGPT

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Suggested prompts:

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 3.45

bookLitteytys

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.

Flattening

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?

question mark

Miksi tasoitus on tarpeellinen CNN:ssä?

Select the correct answer

question mark

Jos ominaisuuskartan mitat ovat 10 × 10 × 32, mikä on tasoitetun ulostulon koko?

Select the correct answer

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 3. Luku 4
some-alt