Konvolutional bir sinir ağı (CNN) bir katmanda belirli bir özelliği etkileyen giriş imajının bölgeye atıfta bulunur.

Recep Tayyip'i Anlamak

Yeniden değerlendirme alanı büyüklüğü, verinin başarısal konvolutional ve havuz tabakaları yoluyla geçtiği gibi artmaktadır. Bir nöron, çıktısını üretince bir nöron değerlendirmesini belirler. Büyük receptive alanları ağı daha global bilgileri yakalamaya olanak sağlar.

Recepli Field'ı hesaplamak

Receptive alanını hesaplamak için, çekirdek boyutunu, stridyi düşünün ve her katmanda ⁇ . Süreç, çıktı katmanından başlayarak ve her adımda yeniden algılayıcı alan boyutunu güncelletir.

Bir tabaka için, s.3. boyut ile bir tabaka için:0)k[Dönetici:0)[Dönetici:0))[Dönetici:2|Dönemliler[Dönemliler[Dönemli 3) ve ⁇ FLT:4|[Dönetici)[Dönetici alanı aşağıdaki rektör formülü kullanarak hesaplanabilir:

[Dönetici: 0,3|0|0|K[DÜye Olmayanlar İçindekiler: 1) [DÜye Olmayanlar İçindekiler[DÜye Olmayanlar İçindekiler)

Çıktı katmanından başlayarak, bu formülü giriş katmanında receptive alanını bulmak için uygulayın.

Pratik Örnek

Aşağıdaki katmanlarla CNN'i düşünün:

  • Conv katmanı: çekirdek boyutu 3, stride 1, ⁇ 1
  • Max havuz: çekirdek boyutu 2, stride 2

Çıktıdan başlayarak, konvolution sonrası yeniden algılayıcı alan 3. Havuzdan sonra, stride ve çekirdek boyutunu göz önünde bulundurun.Bu süreci tekrarlama, giriş katmanında toplam receptive alanını belirlemeye yardımcı olur.

Araçlar ve Kaynaklar

Python kütüphaneleri ve online hesaplayıcılar dahil olmak üzere çeşitli araçlar otomatik olarak yeniden kabul edilebilir alan hesaplamaları için mevcuttur. Bu araçlar özellikle karmaşık mimariler için süreci basitleştirir.