Το δεκτικό πεδίο σε ένα συνεσταλμένο νευρωνικό δίκτυο (CNN) αναφέρεται στην περιοχή της εικόνας εισόδου που επηρεάζει ένα συγκεκριμένο χαρακτηριστικό σε ένα στρώμα. Η κατανόηση του τρόπου υπολογισμού του βοηθά στο σχεδιασμό αποτελεσματικών αρχιτεκτονικών και στην ερμηνεία της συμπεριφοράς μοντέλου.

Κατανόηση του Δεσπότου Πεδίου

Το δεκτικό μέγεθος πεδίου αυξάνεται καθώς τα δεδομένα περνούν από διαδοχικά στρώματα συμπύκνωσης και συγκέντρωσης. Καθορίζει την ποσότητα του πλαισίου που ένας νευρώνας εξετάζει κατά την παραγωγή της εξόδου του. Μεγαλύτερα δεκτικά πεδία επιτρέπουν στο δίκτυο να αποτυπώνει περισσότερες παγκόσμιες πληροφορίες.

Υπολογισμός του Δεσπόσιτου Πεδίου

Για να υπολογίσετε το δεκτικό πεδίο, εξετάστε το μέγεθος του πυρήνα, το διασκελισμό και το padding σε κάθε στρώμα. Η διαδικασία περιλαμβάνει την έναρξη από το στρώμα εξόδου και την εργασία προς τα πίσω προς το στρώμα εισόδου, την ενημέρωση του μεγέθους του δεκτικού πεδίου σε κάθε βήμα.

Για ένα στρώμα με μέγεθος πυρήνα k, διασκελισμό s, και επίστρωμα p], το δεκτικό πεδίο μπορεί να υπολογιστεί με τη χρήση του ακόλουθου αναδρομικού τύπου:

Δεσμευτικό πεδίο στο στρώμα l:
RF[ l = RF l+1 + (k]] l - 1) * διασκελισμός l

Ξεκινώντας από το στρώμα εξόδου, εφαρμόστε αυτόν τον τύπο επαναλαμβανόμενα για να βρείτε το δεκτικό πεδίο στο στρώμα εισόδου.

Πρακτικό Παράδειγμα

Εξετάστε ένα CNN με τα ακόλουθα στρώματα:

  • Κονβ στρώμα: μέγεθος πυρήνα 3, διασκελισμός 1, padding 1
  • Μέγιστη συγκέντρωση: μέγεθος πυρήνα 2, διασκελισμός 2

Ξεκινώντας από την έξοδο, το δεκτικό πεδίο μετά τη συνένωση είναι 3. Μετά τη συγκέντρωση, γίνεται 4, λαμβάνοντας υπόψη το διασκελισμό και το μέγεθος του πυρήνα. Επαναλαμβάνοντας αυτή τη διαδικασία βοηθά στον προσδιορισμό του συνολικού δεκτικού πεδίου στο στρώμα εισόδου.

Εργαλεία και πόροι

Αρκετά εργαλεία είναι διαθέσιμα για να αυτοματοποιήσουν τους δεκτικούς υπολογισμούς πεδίου, συμπεριλαμβανομένων των βιβλιοθηκών Python και των online αριθμομηχανών.