Det mottakelige feltet i et konvolusjonelt nevralt nettverk (CNN) refererer til regionen i det innspillte bildet som påvirker en bestemt funksjon i et lag. Forstå hvordan man beregner det hjelper til å designe effektive arkitekturer og tolke modelladferd.

Forstå det mottakende feltet

Den mottakelige feltstørrelsen øker når data passerer gjennom påfølgende konvolusjonelle og samlende lag. Den bestemmer mengden av kontekst en nevron vurderer når den produserer sin utgang. Større mottakelige felt gjør nettverket til å fange mer global informasjon.

Beregne det mottakende feltet

For å beregne det mottakelige feltet, vurdere kjernestørrelsen, sveiset og polstringen i hvert lag. Prosessen innebærer å starte fra utgangslaget og arbeide bakover til inngangslaget, oppdatere den mottakelige feltstørrelsen ved hvert trinn.

For et lag med kjernestørrelse k], strid s], og polstring p] kan det mottakelige feltet beregnes ved hjelp av følgende rekursive formel:

Reseptivt felt i lag ]:
RF] ]] = RF]] ] + (FLT:7]] ]] ] - 1) * strid] ]]

Fra utgangslaget, påfør denne formelen iterativt for å finne det mottakelige feltet ved inngangslaget.

Praktisk eksempel

Tenk på en CNN med følgende lag:

  • Konv lag: kjerne størrelse 3, strid 1, polstring 1
  • Maks bassenget: kjernestørrelse 2, strid 2

Fra utgangspunktet er det mottakelige feltet etter konvolusjonen 3. Etter bassenging blir det 4, med tanke på strid og kjernestørrelse. Å gjenta denne prosessen bidrar til å bestemme det totale mottakelige feltet ved inngangslaget.

Verktøy og ressurser

Flere verktøy er tilgjengelige for å automatisere mottakelige feltberegninger, inkludert Python biblioteker og online kalkulatorer. Disse verktøyene forenkle prosessen, spesielt for komplekse arkitekturer.