복잡한 신경망(CNN)의 저장소 필드는 레이어의 특정 기능을 영향을 미치는 입력 이미지의 영역으로 나타납니다. 효과적인 아키텍처를 설계하고 모델의 행동을 해석하는 데 도움이되는 방법을 이해하십시오.

Receptive Field에 대한 이해

저장소 필드 크기가 성공적 인 복잡한 및 풀링 레이어를 통해 데이터 패스로 증가합니다. 출력을 생산할 때 신경을 고려할 때 양의 맥락을 결정합니다. 더 큰 저장소 필드는 네트워크가 더 많은 글로벌 정보를 캡처 할 수 있습니다.

Receptive Field의 계산

저장소 필드를 계산하려면 커널 크기, stride 및 각 레이어에서 패딩을 고려하십시오. 이 과정은 출력 레이어에서 시작하여 입력 레이어로 다시 작업하며 각 단계의 저장소 필드 크기를 업데이트합니다.

커널 크기 k, stride ]], ], 패딩 p, receptive 필드는 다음과 같은 반복식 공식을 사용하여 계산 될 수 있습니다:

레이어 l:
] RF]l] = RFl+1 + (k]]]l]] * stridel]

출력 층에서 시작하면 입력 층에서 저장소 필드를 찾을 수 있도록이 공식을 적용하십시오.

Practical 예제

다음 레이어로 CNN을 고려하십시오.

  • Conv 층: 커널 크기 3, stride 1, 패딩 1
  • 최대 풀링: 커널 크기 2, stride 2

출력에서 시작, convolution이 3. 풀 후, 그것은 4, stride 및 커널 크기를 고려. 이 과정을 반복하는 것은 입력 층의 총 저장소 필드를 결정하는 데 도움이됩니다.

도구 및 리소스

여러 도구는 Python 라이브러리 및 온라인 계산기를 포함하여 저장소 필드 계산을 자동화 할 수 있습니다. 이 도구는 복잡한 아키텍처를 위해 프로세스를 단순화합니다.