Ang katanggap-tanggap na larangan sa isang convolutional neural network (CNN) ay tumutukoy sa rehiyon ng input na imahe na nakakaimpluwensiya sa isang partikular na katangian sa isang layer. pag-unawa kung paano ito magkalkula ng pagtulong sa pagdidisenyo ng epektibong arkitektura at pag-interpreta ng model pag-uugali.

Pag - unawa sa Larangang Kapaki - pakinabang

Ang tinatanggap na field ay dumarami habang ang mga impormasyon ay dumaraan sa sunud - sunod na mga suson ng convolutional at pooling.

Pagkalkula sa Larangang Muling Pag - aasawa

Upang makalkula ang saklaw ng lupa, isaalang - alang ang sukat, hakbang, at padding ng laman ng bawat suson.

Para sa isang suson na may sukat na kernel k, street s[, at padding p, ang katanggap-tanggap na field ay maaaring i-computed gamit ang sumusunod na recornitive producation:

Receptive field sa layer l[:
RFl[ = RFl+1[FLT:[[[[[6] + (k[FL]l[[[[[[[[[T]l:[T][[T][[T][[T][T][[T][T][T][T][[T][T][T][[T][[T][T][T][[[[[[[T][[[[T]]].

Simula sa suson ng output, ikapit ang pormulang ito nang kusa upang masumpungan ang tumatanggap na field sa input layer.

Praktikal na Halimbawa

Isaalang - alang ang CNN na may sumusunod na mga suson:

  • Kadikit na suson: sukat ng kernel 3, hakbang 1, padding 1
  • Maxuyan: sukat ng kernel 2, hakbang 2

Simula sa output, ang receptive field pagkatapos ng convolution ay 3. Pagkatapos mag-ambag, ito ay nagiging 4, kung isasaalang-alang ang hakbang at kernel na sukat. ang pag-uulit ng prosesong ito ay tumutulong upang malaman ang kabuuang receptive field sa input layer.

Mga Kasangkapan at Yaman

May ilang kasangkapang magagamit sa pag - iimbento ng mga kalkulasyon sa larangan na madaling makuha, kasali na ang mga aklatan ng Python at mga online na mga phosthes.