Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Utjämning | Konvolutionella Neurala Nätverk
Grunder i Datorseende

bookUtjämning

Övergång från funktionsutvinning till klassificering

Efter att konvolutions- och poolningslager har extraherat viktiga egenskaper från en bild, är nästa steg i ett konvolutionellt neuralt nätverk (CNN) klassificering. Eftersom fullt anslutna lager kräver en endimensionell inmatning, måste vi omvandla de flerdimensionella funktionskartorna till ett format som är lämpligt för klassificering.

Omvandling av funktionskartor till en 1D-vektor

Flattening är processen att omforma utdata från konvolutions- och poolningslager till en enda lång vektor. Om en funktionskarta har dimensionerna X × Y × Z, omvandlar flattening den till en 1D array med längden X × Y × Z.

Till exempel, om den slutliga funktionskartan har dimensionerna 7 × 7 × 64, omvandlar flattening den till en (7 × 7 × 64) = 3136-dimensional vektor. Detta möjliggör effektiv bearbetning av de extraherade egenskaperna i de fullt anslutna lagren.

Flattening

Betydelsen av att platta ut innan inmatning till fullt anslutna lager

Fullt anslutna lager arbetar enligt en standardstruktur för neurala nätverk, där varje neuron är kopplad till varje neuron i nästa lager. Utan utplattning kan modellen inte tolka den rumsliga strukturen hos funktionskartorna korrekt. Utplattning säkerställer:

  • Korrekt övergång från funktionsdetektion till klassificering;
  • Sömlös integration med fullt anslutna lager;
  • Effektiv inlärning genom att bevara extraherade mönster för slutgiltigt beslutsfattande.

Genom att platta ut funktionskartorna kan CNN:er utnyttja högre nivåers egenskaper som lärts in under konvolution och pooling, vilket möjliggör noggrann klassificering av objekt i en bild.

1. Varför är utplattning nödvändig i en CNN?

2. Om en funktionskarta har dimensionerna 10 × 10 × 32, vad blir storleken på den utplattade utmatningen?

question mark

Varför är utplattning nödvändig i en CNN?

Select the correct answer

question mark

Om en funktionskarta har dimensionerna 10 × 10 × 32, vad blir storleken på den utplattade utmatningen?

Select the correct answer

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 3. Kapitel 4

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Awesome!

Completion rate improved to 3.45

bookUtjämning

Svep för att visa menyn

Övergång från funktionsutvinning till klassificering

Efter att konvolutions- och poolningslager har extraherat viktiga egenskaper från en bild, är nästa steg i ett konvolutionellt neuralt nätverk (CNN) klassificering. Eftersom fullt anslutna lager kräver en endimensionell inmatning, måste vi omvandla de flerdimensionella funktionskartorna till ett format som är lämpligt för klassificering.

Omvandling av funktionskartor till en 1D-vektor

Flattening är processen att omforma utdata från konvolutions- och poolningslager till en enda lång vektor. Om en funktionskarta har dimensionerna X × Y × Z, omvandlar flattening den till en 1D array med längden X × Y × Z.

Till exempel, om den slutliga funktionskartan har dimensionerna 7 × 7 × 64, omvandlar flattening den till en (7 × 7 × 64) = 3136-dimensional vektor. Detta möjliggör effektiv bearbetning av de extraherade egenskaperna i de fullt anslutna lagren.

Flattening

Betydelsen av att platta ut innan inmatning till fullt anslutna lager

Fullt anslutna lager arbetar enligt en standardstruktur för neurala nätverk, där varje neuron är kopplad till varje neuron i nästa lager. Utan utplattning kan modellen inte tolka den rumsliga strukturen hos funktionskartorna korrekt. Utplattning säkerställer:

  • Korrekt övergång från funktionsdetektion till klassificering;
  • Sömlös integration med fullt anslutna lager;
  • Effektiv inlärning genom att bevara extraherade mönster för slutgiltigt beslutsfattande.

Genom att platta ut funktionskartorna kan CNN:er utnyttja högre nivåers egenskaper som lärts in under konvolution och pooling, vilket möjliggör noggrann klassificering av objekt i en bild.

1. Varför är utplattning nödvändig i en CNN?

2. Om en funktionskarta har dimensionerna 10 × 10 × 32, vad blir storleken på den utplattade utmatningen?

question mark

Varför är utplattning nödvändig i en CNN?

Select the correct answer

question mark

Om en funktionskarta har dimensionerna 10 × 10 × 32, vad blir storleken på den utplattade utmatningen?

Select the correct answer

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 3. Kapitel 4
some-alt