ConvolutionConvolution is a mathema

Convolution
Convolution is a mathematical term, defined as applying a function repeatedly across the output of another function. In this context it means to apply a 'filter' over an image at all possible offsets. A filter consists of a layer of connection weights, with the input being the size of a small 2D image patch, and the output being a single unit. Since this filter is applying repeatedly, the resulting connectivity looks like a series of overlapping receptive fields, as shown in the 'sparse connectivity' image, which map to a matrix of the filter outputs (or several such matrices in the common case of using a bank of several filters). An important subtlety here is that why there are still a good deal of connections between the input layer and the filter output layer, the weights are tied together (as shown in the colored diagram). This means that during backpropagation, you only have to adjust a number of parameters equal to a single instance of the filter -- a drastic reduction from the typical FFNN architecture. Another nuance is that we could sensibly apply such filter to any input that's spatially organized, not just a picture. This means that we could add another bank of filters directly on top of our first filter bank's output. However, since the dimensionality of applying a filter is equal to the input dimensionality, we wouldn't be gaining any translation invariance with these additional filters, we'd be stuck doing pixel-wise analysis on increasingly abstract features. In order to solve this problem, we must introduce a new sort of layer: a subsampling layer.

ผลลัพธ์ (ไทย) 2:

บิดบิดเป็นคำทางคณิตศาสตร์ที่กำหนดไว้ใช้ฟังก์ชั่นซ้ำข้ามการส่งออกของฟังก์ชั่นอื่น ในบริบทนี้มันหมายถึงการใช้ 'กรอง' มากกว่าภาพที่ชดเชยเป็นไปได้ทั้งหมด กรองประกอบด้วยชั้นของน้ำหนักการเชื่อมต่อกับข้อมูลที่ถูกขนาดของแพทช์ภาพ 2 มิติที่มีขนาดเล็กและการส่งออกเป็นหน่วยเดียว เนื่องจากตัวกรองนี้จะใช้ซ้ำ ๆ การเชื่อมต่อที่เกิดขึ้นดูเหมือนว่าชุดของที่ทับซ้อนกันสาขาที่เปิดกว้างดังแสดงใน 'การเชื่อมต่อเบาบาง' ภาพซึ่งแมปไปยังเมทริกซ์ของเอาท์พุทกรอง (หรือหลายการฝึกอบรมดังกล่าวในกรณีที่พบบ่อยของการใช้ ธนาคารหลายตัวกรอง) ละเอียดอ่อนสำคัญที่นี่คือเหตุผลที่ยังคงมีการจัดการที่ดีของการเชื่อมต่อระหว่างชั้นเข้าและชั้นกรองเอาท์พุทยกน้ำหนักที่มีการเชื่อมโยงกัน (ดังแสดงในแผนภาพสี) ซึ่งหมายความว่าในช่วง backpropagation คุณจะต้องปรับจำนวนพารามิเตอร์เท่ากับเช่นเดียวของตัวกรอง - การลดลงอย่างมากจากสถาปัตยกรรม FFNN ทั่วไป แตกต่างกันนิดหน่อยก็คือการที่เราสามารถนำไปใช้อย่างสมเหตุสมผลกรองดังกล่าวเพื่อป้อนที่จัดตำแหน่งใด ๆ ที่ไม่ได้เป็นเพียงภาพ ซึ่งหมายความว่าเราสามารถเพิ่มธนาคารของตัวกรองอีกตรงด้านบนของการส่งออกกรองครั้งแรกของเราของธนาคาร อย่างไรก็ตามเนื่องจากมิติของการใช้ตัวกรองเท่ากับมิติการป้อนข้อมูลที่เราจะไม่ได้รับความไม่แปรเปลี่ยนแปลใด ๆ ที่มีตัวกรองเพิ่มเติมเหล่านี้เราต้องการจะติดอยู่ทำการวิเคราะห์พิกเซลที่ชาญฉลาดเกี่ยวกับคุณสมบัติที่เป็นนามธรรมมากขึ้น เพื่อที่จะแก้ปัญหานี้เราต้องแนะนำการจัดเรียงใหม่ของชั้น: ชั้น subsampling

ผลลัพธ์ (ไทย) 3:

ขด
ขดเป็นคำทางคณิตศาสตร์ หมายถึงการใช้ฟังก์ชันซ้ำ ๆในผลลัพธ์ของฟังก์ชันอื่น ในบริบทนี้หมายถึงการใช้ ' กรอง ' มากกว่าภาพที่เหลื่อมที่เป็นไปได้ทั้งหมด ตัวกรองประกอบด้วยชั้นของน้ำหนักการเชื่อมต่อกับอินพุทเป็นขนาดของแพทช์ขนาดเล็กภาพ 2D และส่งออกเป็นหน่วยเดียว เนื่องจากตัวกรองนี้จะใช้ซ้ำแล้วซ้ำอีกส่งผลให้การเชื่อมต่อเหมือนชุดของเขตข้อมูลที่ทับซ้อนกันไว้ ดังแสดงใน ' การเชื่อมต่อ ' ภาพป่าโปร่ง ซึ่งแผนที่เมทริกซ์ของตัวกรองผล ( หรือหลายลักษณะเช่นในกรณีทั่วไปของการใช้ธนาคารของกรองหลาย ) ที่สำคัญ คือ ทำไมมีความละเอียดอ่อนที่นี่ยังคงจัดการที่ดีของการเชื่อมต่อระหว่าง input และ output layer ชั้นกรอง ,น้ำหนักถูกผูกไว้ด้วยกัน ( ตามที่แสดงในแผนภาพสี ) ซึ่งหมายความว่าในแบบที่คุณจะต้องปรับจำนวนของพารามิเตอร์เท่ากับตัวอย่างเดียวของตัวกรอง -- การลดลงรุนแรงจากสถาปัตยกรรม ffnn ทั่วไป นวลอีก ว่า เราสามารถใช้ตัวกรองเพื่อป้อนข้อมูลใด ๆอย่างสมเหตุสมผล เช่น การเปลี่ยนเป็น ไม่ใช่แค่ภาพนี่หมายความว่า เราสามารถเพิ่มตัวกรองอื่นของธนาคารโดยตรงด้านบนของตัวกรองของเราครั้งแรกของธนาคารออก อย่างไรก็ตาม ตั้งแต่ dimensionality ใช้กรองเท่ากับใส่ dimensionality เราไม่สามารถแปลใด ๆ แปรเปลี่ยนกับตัวกรองเพิ่มเติมเหล่านี้ เราก็ต้องทำในลักษณะการวิเคราะห์ปัญญาพิกเซลนามธรรมมากขึ้น เพื่อแก้ไขปัญหานี้เราต้องแนะนำการจัดเรียงใหม่ของชั้น : ชั้นค่า
.