Размер карты признаков в сверточных нейронных сетях

Понимание размера карты признаков в свёрточных нейронных сетях

Сверточные нейронные сети (CNN) стали краеугольным камнем в области глубокого обучения, особенно для задач, связанных с распознаванием изображений и видео. Критически важным аспектом архитектуры CNN является размер карты признаков, который претерпевает изменения на каждом сверточном слое. Знание того, как его вычислять, является основополагающим для построения эффективных моделей.

Формула

Размер карты признаков после сверточного слоя в CNN определяется с помощью следующей формулы:

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

Вот разбивка каждого участвующего параметра:

• размер_входаРазмер входной карты признаков (измеряется в пикселях).
• размерЯдраРазмер свёрточного ядра (измеряется в пикселях).
• выравниваниеКоличество нулевых пикселей, добавленных к границе входного изображения (измеряется в пикселях).
• шагКоличество пикселей, на которое ядро перемещается по входной карте признаков (измеряется в пикселях).

Входные и выходные данные

Входные данные

• размер_входаЦелое число, количество пикселей (px).
• размерЯдраЦелое число, количество пикселей (px).
• выравниваниеЦелое число, количество пикселей (px).
• шагЦелое число, количество пикселей (px).

Вывод

• размерВыходаЦелое число, количество пикселей (px).

Пример из реальной жизни

Рассмотрите популярный случай использования, когда у вас есть входное изображение размером 224x224 пикселей. Вы применяете сверточный слой с размером ядра 3x3, паддингом 1 и шагом 1. Вот как вы вычисляете размер карты признаков:

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

Подставляя эти значения в нашу формулу:

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

Полученная карта признаков все еще будет 224x224 пикселя.

Проверка данных

Для того чтобы этот расчет работал, все входные параметры должны быть больше нуля. Более того, убедитесь, что шаг является целым числом, которое равномерно делит измененный размер входа (inputSize - kernelSize + 2 * padding), в противном случае размер карты признаков не будет целым числом, и формула сломается.

Пример значений:

• размер_входа= 32
• размерЯдра= 5
• выравнивание= 2
• шаг= 1
• размерВыхода= размер получающей карты признаков

{

• размерВыхода= 32

Резюме

Расчет размера карты признаков в свёрточных нейронных сетях имеет решающее значение для архитектуры модели и оптимизации. Поняв и правильно применяя формулу (размерВхода - размерЯдра + 2 * отступ) / шаг + 1, учёные-данных и инженеры могут разрабатывать более эффективные сети, улучшая производительность и эффективность.

Часто задаваемые вопросы (FAQ)

Следуя этим рекомендациям и понимая каждый параметр, вы сможете использовать весь потенциал сверточных нейронных сетей и эффективно оптимизировать свои модели глубокого обучения.