Trường hợp tiếp thu trong mạng lưới thần kinh kết nối (CNN) ám chỉ vùng của hình ảnh nhập vào ảnh ảnh ảnh hưởng đặc biệt trong lớp, hiểu cách tính toán hữu hiệu trong việc thiết kế các cấu trúc và cách ứng xử mô hình.

Hiểu được lĩnh vực tiếp thu

Kích thước lĩnh vực tiếp nhận tăng khi dữ liệu đi qua các lớp hình thành và tập hợp lại liên tiếp. Nó quyết định số lượng ngữ cảnh một nơ ron cân nhắc khi sản xuất ra đầu ra. Các trường lớn hơn hưởng ứng giúp mạng thu thập thêm thông tin toàn cầu.

Tính toán lĩnh vực tiếp thu

Để tính toán trường, hãy xem xét kích thước hạt nhân, bước và đệm ở mỗi lớp. Tiến trình này bao gồm việc bắt đầu từ lớp đầu ra và làm việc ngược lại đến lớp đầu vào, cập nhật kích thước trường tiếp nhận tại mỗi bước.

Đối với một lớp có kích thước hạt nhân k ), bước , và chap , lĩnh vực tiếp nhận có thể được tính toán bằng công thức đệ quy sau:

) ) ):
[FLT:] [FLT:] = RFL:] [FLT:] [FLT:] [FL:]] [FL:10] + (k[FL: 7] [FL:] [FL:8]]] [FL:]]] [FL: 10]

Bắt đầu từ lớp xuất, áp dụng công thức này một cách có chủ ý để tìm trường hấp dẫn ở lớp nhập.

Gương mẫu thực tế

Hãy xem một CNN với những lớp dưới đây:

  • Lớp Conv: kích thước hạt nhân 3, bước 1, đệm 1
  • bể bơi tối đa: kích thước hạt nhân 2, bước 2

Bắt đầu từ đầu ra, trường tiếp nhận sau khi tiến hóa là 3, sau khi hợp nhất, nó trở thành 4, cân nhắc về bước và kích thước hạt nhân. lặp lại quá trình này giúp xác định toàn bộ trường hấp dẫn ở lớp đầu vào.

Công cụ và Tài nguyên

Một số công cụ có sẵn để tự động tính toán trường hấp dẫn, bao gồm thư viện Python và máy tính trực tuyến. Những công cụ này đơn giản hóa tiến trình, đặc biệt là kiến trúc phức tạp.