While it is unknown which interpret

While it is unknown which interpretation of convolution is correct for deep learning, the cross-correlation interpretation is currently the most useful: convolutional filters can be interpreted as feature detectors, that is, the input (feature map) is filtered for a certain feature (the kernel) and the output is large if the feature is detected in the image. This is exactly how you interpret cross-correlation for an image.

ผลลัพธ์ (ไทย) 1:

ในขณะที่มันเป็นที่รู้จักซึ่งการตีความของ การพัฒนาถูกต้องสำหรับการเรียนรู้ลึก สหสัมพันธ์ข้ามตีความในปัจจุบันประโยชน์มากที่สุด: สลับลำดับข้อมูลฟิลเตอร์สามารถตีความเป็นเครื่องตรวจจับคุณลักษณะ คือ การป้อนข้อมูล (คุณลักษณะแผนที่) มีกรองบางคุณลักษณะของ (kernel) และผลลัพธ์มีขนาดใหญ่หากตรวจพบคุณลักษณะในภาพ นี้คือวิธีที่คุณตีความสัมพันธ์ข้ามสำหรับรูปภาพ

ผลลัพธ์ (ไทย) 2:

ในขณะที่มันไม่เป็นที่รู้จักซึ่งการตีความของบิดที่ถูกต้องสำหรับการเรียนรู้ลึกการตีความข้ามความสัมพันธ์ในขณะนี้เป็นประโยชน์มากที่สุด: ฟิลเตอร์สับสนสามารถตีความได้ว่าเครื่องตรวจจับคุณลักษณะที่เป็นอินพุท (คุณลักษณะ Map) จะถูกกรองสำหรับคุณลักษณะบางอย่าง ( เคอร์เนล) และการส่งออกที่มีขนาดใหญ่หากคุณลักษณะการตรวจพบในภาพ ตรงนี้เป็นวิธีการที่คุณตีความข้ามความสัมพันธ์สำหรับภาพ

ผลลัพธ์ (ไทย) 3:

ในขณะที่มันไม่เป็นที่รู้จักซึ่งการตีความของขดที่ถูกต้องสำหรับการเรียนรู้ลึก , cross-correlation การตีความในปัจจุบันมีประโยชน์มากที่สุด : ตัวกรองคอนสามารถตีความเป็นคุณลักษณะที่เป็นเครื่องตรวจจับ , การป้อนข้อมูล ( แผนที่คุณลักษณะ ) มีกรองสำหรับคุณลักษณะบางอย่าง ( kernel ) และผลผลิตมีขนาดใหญ่ หากมีการตรวจพบในรูป . นี้เป็นวิธีการที่คุณตีความ cross-correlation สำหรับภาพ