Vastaanottava kenttä konvolutionaalisessa hermoverkossa (CNN) viittaa siihen syötekuvan alueeseen, joka vaikuttaa tiettyyn ominaisuuteen kerroksissa. Sen laskeminen auttaa suunnittelemaan tehokkaita arkkitehtuuria ja tulkitsemaan mallin käyttäytymistä.

Receptive-kentän ymmärtäminen

Vastaanottava kentän koko kasvaa, kun data kulkee peräkkäisten konvolutionaalisten ja yhdistelmien läpi. Se määrittää neuronin tuotoksen tuottamisessa käyttämän kontekstin määrän. Suuremmat vastaanottavat kentät mahdollistavat sen, että verkko voi kaapata enemmän maailmanlaajuista tietoa.

Resceptive-kentän laskeminen

Laskemiseksi vastaanottava kenttä, harkita ytimen kokoa, askel, ja pehmusteet kussakin kerroksessa. Prosessiin kuuluu alkaen lähtötasosta ja työskentely taaksepäin tulokerros, päivittämällä vastaanottava kentän koon kussakin vaiheessa.

Jos kerroksen ytimen koko k, askel s[, ja pehmusteen ] p[], vastaanottava kenttä voidaan laskea käyttäen seuraavaa rekursiivinen kaava:

Receptive field at layer ]l[]: [
]l[] = RF[]l+1[] + (k[]]l[[[ - 1) * steel[]l[]]]]

Lähtötasosta alkaen, käytä tätä kaavaa iteratiivisesti löytääksesi vastaanottava kentän syöttökerroksesta.

Käytännön esimerkki

Harkitse CNN:ää seuraavilla kerroksilla:

  • Conv kerros: ytimen koko 3, askel 1, pehmuste 1
  • Max sammiointi: ytimen koko 2, askel 2

Alkaen lähtö, vastaanottava kenttä jälkeen convolution on 3. Kun yhdistämä, se tulee 4, ottaen huomioon askel ja ytimen koko. Toistamalla tämä prosessi auttaa määrittämään kokonais vastaanottava kentän tulokerroksessa.

Välineet ja resurssit

Useita työkaluja on käytettävissä automaattiseen vastaanottava kenttälaskelmiin, kuten Python-kirjastoihin ja verkkolaskinten. Nämä työkalut yksinkertaistavat prosessia, erityisesti monimutkaisten arkkitehtuurien osalta.