ukuran peta fitur dalam jaringan saraf konvolusional

Memahami Ukuran Pemetaan Fitur dalam Jaringan Syaraf Tiruan Konvolusional

Jaringan Syaraf Tiruan Konvolusional (CNN) telah menjadi landasan dalam bidang pembelajaran mendalam, khususnya untuk tugas yang melibatkan pengenalan gambar dan video. Aspek penting dari arsitektur CNN adalah ukuran peta fitur, yang mengalami transformasi pada setiap lapisan konvolusional. Mengetahui cara menghitungnya merupakan hal mendasar untuk membangun model yang efektif.

Rumus

Ukuran peta fitur setelah lapisan konvolusional dalam CNN ditentukan menggunakan rumus berikut:

outputSize = (inputSize - kernelSize + 2 * padding) / stride + 1

Berikut adalah rincian setiap parameter yang terlibat:

• inputSize: Ukuran peta fitur input (diukur dalam piksel).
• kernelSize: Ukuran kernel konvolusional (diukur dalam piksel).
• padding: Jumlah piksel nol yang ditambahkan ke batas input (diukur dalam piksel).
• stride: Jumlah piksel yang digunakan kernel untuk bergerak melintasi peta fitur input (diukur dalam piksel).

Input dan Output

Input

• inputSize: Integer, jumlah piksel (px).
• kernelSize: Integer, jumlah piksel (px).
• padding: Integer, jumlah piksel (px).
• stride: Integer, jumlah piksel (px).

Output

• outputSize: Integer, jumlah piksel (px).

Contoh di Dunia Nyata

Pertimbangkan kasus penggunaan populer saat Anda memiliki gambar input berukuran 224x224 piksel. Anda menerapkan lapisan konvolusional dengan ukuran kernel 3x3, padding 1, dan langkah 1. Berikut cara menghitung ukuran peta fitur:

inputSize: 224, kernelSize: 3, padding: 1, langkah: 1

Masukkan nilai-nilai ini ke dalam rumus kita:

outputSize = (224 - 3 + 2 * 1) / 1 + 1 = 224

Peta fitur yang dihasilkan akan tetap berukuran 224x224 piksel.

Validasi Data

Agar perhitungan ini berhasil, semua parameter input harus lebih besar dari nol. Selain itu, pastikan bahwa langkahnya adalah bilangan bulat yang membagi ukuran masukan yang dimodifikasi (inputSize - kernelSize + 2 * padding) secara merata, jika tidak, ukuran peta fitur tidak akan menjadi bilangan bulat dan rumus akan rusak.

Contoh Nilai:

• inputSize= 32
• kernelSize= 5
• padding= 2
• stride= 1
• outputSize= ukuran peta fitur yang dihasilkan

Keluaran:

• outputSize= 32

Ringkasan

Menghitung ukuran peta fitur dalam jaringan saraf konvolusional sangat penting untuk arsitektur dan pengoptimalan model. Dengan memahami dan menggunakan rumus (inputSize - kernelSize + 2 * padding) / stride + 1 dengan benar, ilmuwan dan teknisi data dapat merancang jaringan yang lebih efisien, meningkatkan kinerja dan efisiensi.

Pertanyaan Umum (FAQ)

Dengan mengikuti panduan ini dan memahami setiap parameter, Anda dapat memanfaatkan potensi penuh Jaringan Syaraf Konvolusional dan mengoptimalkan model pembelajaran mendalam Anda secara efisien.