Quando apprendo la rete neurale convoluzionale, ho domande riguardanti la figura seguente.
1) C1 nel layer 1 ha 6 mappe caratteristiche, significa che ci sono sei kernel convoluzionali? Ogni kernel convoluzionale viene utilizzato per generare una mappa delle caratteristiche basata sull'input.
2) S1 nel livello 2 ha 6 mappe caratteristiche, C2 ha 16 mappe caratteristiche. Com'è il processo per ottenere queste 16 mappe caratteristiche basate su 6 mappe caratteristiche in S1?
Risposte:
1) C1 nel layer 1 ha 6 mappe caratteristiche, significa che ci sono sei kernel convoluzionali? Ogni kernel convoluzionale viene utilizzato per generare una mappa delle caratteristiche basata sull'input.
Esistono 6 kernel convoluzionali e ognuno viene utilizzato per generare una mappa delle caratteristiche basata sull'input. Un altro modo per dirlo è che ci sono 6 filtri o set 3D di pesi che chiamerò pesi. Ciò che questa immagine non mostra, che probabilmente dovrebbe, per renderlo più chiaro è che in genere le immagini hanno 3 canali, ad esempio rosso, verde e blu. Quindi i pesi che ti mappano dall'input a C1 sono di forma / dimensione 3x5x5 non solo 5x5. Gli stessi pesi o kernel tridimensionali vengono applicati sull'intera immagine 3x32x32 per generare una mappa caratteristica bidimensionale in C1. Ci sono 6 kernel (ciascuno 3x5x5) in questo esempio in modo da creare 6 mappe caratteristiche (ogni 28x28 poiché il passo è 1 e il riempimento è zero) in questo esempio, ognuno dei quali è il risultato dell'applicazione di un kernel 3x5x5 sull'input.
2) S1 nel livello 1 ha 6 mappe caratteristiche, C2 nel livello 2 ha 16 mappe caratteristiche. Com'è il processo per ottenere queste 16 mappe caratteristiche basate su 6 mappe caratteristiche in S1?
Ora facciamo la stessa cosa che abbiamo fatto nel livello uno, ma lo facciamo per il livello 2, tranne che questa volta il numero di canali non è 3 (RGB) ma 6, sei per il numero di mappe caratteristiche / filtri in S1. Ora ci sono 16 kernel unici ciascuno di forma / dimensione 6x5x5. ogni kernel di livello 2 viene applicato su tutto S1 per generare una mappa di caratteristiche 2D in C2. Questo viene fatto 16 volte per ogni kernel univoco nel layer 2, tutti i 16, per generare le 16 mappe caratteristiche nel layer 2 (ogni 10x10 poiché il passo è 1 e il riempimento è zero)