Inception modules in convolutional

Inception modules in convolutional networks were designed to allow for deeper and larger convolutional layers while at the same time allowing for more efficient computation. This is done by using 1×1 convolutions with small feature map size, for example, 192 28×28 sized feature maps can be reduced to 64 28×28 feature maps through 64 1×1 convolutions. Because of the reduced size, these 1×1 convolutions can be followed up with larger convolutions of size 3×3 and 5×5. In addition to 1×1 convolution, max pooling may also be used to reduce dimensionality.

ผลลัพธ์ (ไทย) 1:

โมดูลก่อตั้งในเครือข่ายสลับลำดับข้อมูลถูกออกแบบมาเพื่อให้เลเยอร์สลับลำดับข้อมูลลึก และใหญ่ในขณะที่การช่วยให้การคำนวณมีประสิทธิภาพมากขึ้น สิ่งนี้ทำ โดยใช้ convolutions × 1 1 มีขนาดเล็กลักษณะแผนที่ เช่น 192 28 × 28 ขนาดคุณลักษณะแผนที่จะลดลง 64 28 × 28 คุณลักษณะแผนที่ผ่าน 64 convolutions 1 × 1 เนื่องจากลดขนาด convolutions 1 × 1 เหล่านี้สามารถตามขึ้นกับ convolutions ใหญ่ขนาด 3 × 3 และ 5 × 5 นอกเหนือจาก 1 × 1 สูงสุดร่วมกันการพัฒนาอาจยังสามารถใช้การลดมิติ

ผลลัพธ์ (ไทย) 2:

โมดูลการลงทะเบียนเรียนในระบบเครือข่ายความสับสนได้รับการออกแบบเพื่อให้ลึกและมีขนาดใหญ่ชั้นสับสนขณะที่ในเวลาเดียวกันช่วยให้การคำนวณมีประสิทธิภาพมากขึ้น นี้จะกระทำโดยใช้ 1 × 1 convolutions คุณลักษณะที่มีขนาดแผนที่ขนาดเล็กเช่น 192 28 × 28 แผนที่คุณลักษณะขนาดสามารถลดลงได้ถึง 64 28 × 28 แผนที่คุณลักษณะผ่าน 64 1 × 1 convolutions เพราะขนาดที่ลดลงเหล่านี้ 1 × 1 convolutions สามารถตามมาด้วย convolutions ขนาดใหญ่ขนาด 3 × 3 และ 5 × 5 นอกเหนือไปจาก 1 × 1 บิดสูงสุดร่วมกันนอกจากนี้ยังอาจถูกนำมาใช้เพื่อลดมิติ

ผลลัพธ์ (ไทย) 3:

ก่อตั้งในโมดูลเครือข่ายคอนถูกออกแบบมาเพื่ออนุญาตให้ลึกกว่า และใหญ่กว่าชั้นคอนในขณะที่ในเวลาเดียวกันช่วยให้คอมพิวเตอร์มีประสิทธิภาพมากขึ้น นี้จะกระทำโดยการใช้ 1 × 1 convolutions ขนาดเล็กคุณลักษณะแผนที่ขนาด ตัวอย่างเช่น 192 28 × 28 ขนาดแผนที่คุณลักษณะที่สามารถลดลงเหลือ 64 28 × 28 คุณลักษณะแผนที่ผ่าน 64 1 × 1 convolutions . เนื่องจากการลดขนาดนี้ 1 × 1 convolutions สามารถตามด้วย convolutions ขนาดใหญ่ขนาด 3 × 3 × 5 นอกจาก 1 × 1 ขด แม็กซ์ร่วมกันนอกจากนี้ยังอาจถูกใช้เพื่อลด dimensionality .