زمینه پذیرش در یک شبکه عصبی یکپارچه (CNN) به منطقه تصویر ورودی که بر یک ویژگی خاص در یک لایه تاثیر می گذارد اشاره دارد. درک چگونگی محاسبه آن در طراحی معماری موثر و تفسیر رفتار مدل کمک می کند.

درک فیلد های پذیرش

اندازه میدان بازیافت افزایش می یابد زیرا داده ها از طریق لایه های پیوسته و استخر عبور می کنند.این تعیین می کند که مقدار متن یک نورون در هنگام تولید میدان های بازیافت بزرگ تر، شبکه را قادر می سازد تا اطلاعات جهانی بیشتری را ثبت کند.

محاسبه فیلد پذیرش

برای محاسبه زمینه عقب نشینی، اندازه هسته، گام و padding را در هر لایه در نظر بگیرید.این فرایند شامل شروع از لایه خروجی و کار به سمت لایه ورودی، به روز رسانی اندازه میدان عقب نشینی در هر مرحله است.

در این میان، در صورتی که در آن به صورت زیر به صورت زیر و (از روی آن) استفاده شود، به صورت زیر و (FLT:4) و {FLT:5} گام بر می آید.

[در این باره] [[[[ویرایش]] [[[[ویرایش]]] [[[[ویرایش]]] [[[[ویرایش]] [[[ویرایش]] [FLT=1] = + [b] [F9] [F9] [F9] [F9] [F9] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [2 ] [0 ] [2 ] [0 ] [0 ] [0 ] [0 ] [0 ] [ [0 ] [0 ] [0 ] [0 ] [0 ] [0 ] [0 ] [ [ [ [ [ [0 ] [ [ [ [ [ [ [ [ [ [ [0 ] [0 ] [0 ] [0 ] [ [ [ [ [0 ] [0 ] [ [ [ [ [ [ [ [ [ [ [ [ [2 ] [2 ] [ [ [ [ [0

از لایه خروجی شروع کنید، این فرمول را به طور غریزی برای پیدا کردن زمینه های بازگشتی در لایه ورودی اعمال کنید.

مثال عملی

یک سی ان را با لایه های زیر در نظر بگیرید:

  • لایه Conv: اندازه هسته 3، گام 1، padding 1
  • Max Pooling: اندازه هسته 2، گام 2

از خروجی، زمینه عقب نشینی پس از ادغام 3. پس از جمع آوری، آن 4 با توجه به گام و اندازه هسته تبدیل می شود. تکرار این فرایند کمک می کند تا کل زمینه عقب نشینی در لایه ورودی تعیین کند.

ابزار و منابع

چندین ابزار برای خودکارسازی محاسبات میدانی، از جمله کتابخانه های پایتون و ماشین آلات آنلاین در دسترس هستند.این ابزارها این فرآیند را به ویژه برای معماری های پیچیده ساده می کنند.