Ketika mempelajari jaringan saraf convolutional, saya memiliki pertanyaan mengenai gambar berikut.
1) C1 pada layer 1 memiliki 6 peta fitur, apakah itu berarti ada enam kernel konvolusional? Setiap kernel konvolusional digunakan untuk menghasilkan peta fitur berdasarkan input.
2) S1 di lapisan 2 memiliki 6 peta fitur, C2 memiliki 16 peta fitur. Seperti apa prosesnya untuk mendapatkan 16 peta fitur ini berdasarkan 6 peta fitur di S1?
Jawaban:
1) C1 pada layer 1 memiliki 6 peta fitur, apakah itu berarti ada enam kernel konvolusional? Setiap kernel konvolusional digunakan untuk menghasilkan peta fitur berdasarkan input.
Ada 6 kernel konvolusional dan masing-masing digunakan untuk menghasilkan peta fitur berdasarkan input. Cara lain untuk mengatakan ini adalah bahwa ada 6 filter atau set bobot 3D yang hanya akan saya sebut bobot. Apa yang gambar ini tidak tunjukkan, bahwa mungkin seharusnya, untuk membuatnya lebih jelas adalah bahwa biasanya gambar memiliki 3 saluran, katakanlah merah, hijau, dan biru. Jadi bobot yang memetakan Anda dari input ke C1 adalah dari bentuk / dimensi 3x5x5 bukan hanya 5x5. Bobot 3 dimensi yang sama, atau kernel, diterapkan di seluruh gambar 3x32x32 untuk menghasilkan peta fitur 2 dimensi di C1. Ada 6 kernel (masing-masing 3x5x5) dalam contoh ini sehingga membuat 6 peta fitur (masing-masing 28x28 karena langkahnya adalah 1 dan padding adalah nol) dalam contoh ini, masing-masing merupakan hasil dari penerapan kernel 3x5x5 pada input.
2) S1 di lapisan 1 memiliki 6 peta fitur, C2 di lapisan 2 memiliki 16 peta fitur. Seperti apa prosesnya untuk mendapatkan 16 peta fitur ini berdasarkan 6 peta fitur di S1?
Sekarang lakukan hal yang sama dengan yang kita lakukan pada layer satu, tetapi lakukan untuk layer 2, kecuali kali ini jumlah saluran bukan 3 (RGB) tetapi 6, enam untuk jumlah peta fitur / filter dalam S1. Sekarang ada 16 kernel unik masing-masing bentuk / dimensi 6x5x5. setiap kernel lapisan 2 diterapkan di semua S1 untuk menghasilkan peta fitur 2D di C2. Ini dilakukan 16 kali untuk setiap kernel unik di layer 2, semua 16, untuk menghasilkan 16 fitur peta di layer 2 (masing-masing 10x10 karena langkahnya adalah 1 dan padding adalah nol)