Στόχος: να κατανοήσετε συνέλιξη, κανάλια, pooling και δεκτικό πεδίο.
Ένα πυκνό στρώμα αγνοεί τη χωρική δομή και πολλαπλασιάζει γρήγορα τις παραμέτρους. Μια συνέλιξη εφαρμόζει τον ίδιο μικρό πυρήνα σε όλες τις θέσεις. Αυτός ο διαμοιρασμός βαρών αξιοποιεί την τοπικότητα και μειώνει έντονα τον αριθμό των παραμέτρων.
Για μια είσοδο C_in × H × W, ένας πυρήνας C_out × C_in × K × K περιέχει
C_out(C_in K² + 1) παραμέτρους με πόλωση, ανεξάρτητα από το μέγεθος της εικόνας.
from torch import nn
features = nn.Sequential(
nn.Conv2d(3, 32, kernel_size=3, padding=1),
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, kernel_size=3, padding=1),
nn.ReLU(),
nn.AdaptiveAvgPool2d((1, 1)),
)Προεπισκόπηση — η συνέχεια του μαθήματος είναι διαθέσιμη στους εγγεγραμμένους.
Η πρόσβασή σας συνδέεται με τον λογαριασμό σας, όχι με αυτόν τον σύνδεσμο. Συνδεθείτε με το ίδιο email που χρησιμοποιήσατε στην τάξη: το μάθημά σας σας περιμένει, δεν χρειάζεται να ξαναβάλετε τον κωδικό.
ΣύνδεσηΔεν έχετε λογαριασμό; Δημιουργήστε ένανΟι πρώτες ενότητες του μαθήματος είναι σε ελεύθερη πρόσβαση. Για τη συνέχεια υπάρχουν τρεις δρόμοι: αγοράστε αυτό το μάθημα μία φορά, κάντε συνδρομή, ή εισαγάγετε τον κωδικό που δόθηκε στην τάξη.