Imagine that layer m-1 is the input

Imagine that layer m-1 is the input retina. In the above figure, units in layer m have receptive fields of width 3 in the input retina and are thus only connected to 3 adjacent neurons in the retina layer. Units in layer m+1 have a similar connectivity with the layer below. We say that their receptive field with respect to the layer below is also 3, but their receptive field with respect to the input is larger (5). Each uHowever, as shown above, stacking many such layers leads to (non-linear) “filters” that become increasingly “global” (i.e. responsive to a larger region of pixel space). For example, the unit in hidden layer m+1 can encode a non-linear feature of width 5 (in terms of pixel space).nit is unresponsive to variations outside of its receptive field with respect to the retina. The architecture thus ensures that the learnt “filters” produce the strongest response to a spatially local input pattern.

ผลลัพธ์ (ไทย) 1:

สมมติว่า m-1 ชั้นที่มีตาเข้า ในรูปข้างบน ในชั้น m มีด้านกว้าง 3 ครอบครัวในเรตินาเข้า และดังเท่าเชื่อมต่อ neurons ติด 3 ในชั้นเรตินา ในชั้น m + 1 มีการเชื่อมต่อที่คล้ายกับชั้นล่าง เราพูดว่า ฟิลด์ของครอบครัวกับชั้นด้านล่างเป็น 3 แต่ฟิลด์ของครอบครัวกับการป้อนข้อมูลมีขนาดใหญ่ (5) แต่ละ uHowever ดังกล่าว ซ้อนหลายชั้นนำไป (ไม่ใช่เชิงเส้น) "ตัวกรอง" ที่กลายเป็นมากขึ้น "ส่วนกลาง" เช่นเมธภูมิภาคใหญ่ของพิกเซล) สำหรับตัวอย่าง หน่วยชั้นซ่อน m + 1 สามารถ เข้า ลักษณะไม่เชิงเส้นของ.nit กว้าง 5 (ในพื้นที่พิกเซล) จะตอบสนองความแตกต่างภายนอกเขตข้อมูลของครอบครัวกับจอตา สถาปัตยกรรมจึงมั่นใจว่า "ฟิลเตอร์" learnt ผลิตตอบสนองรูปแบบอินพุต spatially ถิ่นที่แข็งแกร่ง

ผลลัพธ์ (ไทย) 2:

ลองนึกภาพว่าชั้นม. 1 เป็นจอประสาทตาที่นำเข้า ในรูปด้านบนหน่วยในชั้นม. มีสาขาที่เปิดกว้างของความกว้าง 3 ในเรตินาป้อนข้อมูลและจึงเชื่อมต่อเพียง 3 เซลล์ที่อยู่ติดกันในชั้นจอประสาทตา หน่วยใน 1 ชั้นม. มีการเชื่อมต่อที่คล้ายกันด้วยชั้นด้านล่าง เรากล่าวว่าเขตเปิดกว้างของพวกเขาด้วยความเคารพต่อชั้นด้านล่างยังเป็นที่ 3 แต่สาขาที่เปิดกว้างของพวกเขาเกี่ยวกับการป้อนข้อมูลที่มีขนาดใหญ่ (5) แต่ละ uHowever ด​​ังที่แสดงไว้ข้างต้นซ้อนชั้นดังกล่าวจำนวนมากนำไปสู่​​การ (ที่ไม่ใช่เชิงเส้น) "กรอง" ที่กลายเป็น "ระดับโลก" (คือการตอบสนองไปยังพื้นที่ที่มีขนาดใหญ่ของพื้นที่พิกเซล) ยกตัวอย่างเช่นหน่วยในชั้นม. 1 ที่ซ่อนสามารถเข้ารหัสคุณลักษณะที่ไม่ใช่เชิงเส้นที่มีความกว้าง 5 (ในแง่ของพื้นที่พิกเซล) .nit ไม่ตอบสนองต่อการเปลี่ยนแปลงด้านนอกของสนามเปิดกว้างด้วยความเคารพต่อจอประสาทตา สถาปัตยกรรมจึงทำให้มั่นใจได้ว่าได้เรียนรู้ "กรอง" ผลิตการตอบสนองที่แข็งแกร่งที่จะเป็นรูปแบบการป้อนข้อมูลเชิงพื้นที่ในท้องถิ่น

ผลลัพธ์ (ไทย) 3:

คิดว่าชั้น M - 1 คือใส่จอประสาทตา ในรูปข้างบน หน่วยในชั้น M มีอ่อนไหวด้านกว้าง 3 ในการป้อนข้อมูลจอตาและดังนั้นจึงเชื่อมต่อกับ 3 เซลล์ประสาทที่อยู่ในเรตินาของเลเยอร์ หน่วยในชั้น ม. 1 มีการเชื่อมต่อที่คล้ายกันกับเลเยอร์ด้านล่าง เราว่าข้อมูลที่อ่อนไหวต่อชั้น ด้านล่าง มี 3แต่ข้อมูลที่อ่อนไหวต่อข้อมูลมีขนาดใหญ่ ( 5 ) แต่ละ uhowever ดังแสดงข้างต้น ซ้อนหลายชั้น เช่น นำไปสู่ ( ไม่เชิง ) " ตัวกรอง " ที่กลายเป็น " โลก " มากขึ้น ( เช่นการตอบสนองต่อพื้นที่ขนาดใหญ่ของพิกเซลพื้นที่ ) ตัวอย่างเช่นหน่วยในชั้นซ่อน 1 สามารถเข้ารหัสคุณลักษณะไม่เชิงเส้นของความกว้าง 5 ( ในแง่ของพิกเซลพื้นที่ )มันไม่ตอบสนองกับการเปลี่ยนแปลงนอกสนามที่อ่อนไหวกับการเคารพต่อจอประสาทตา สถาปัตยกรรมดังนั้นให้แน่ใจว่าได้เรียนรู้ " ตัวกรอง " ผลิตที่แข็งแกร่งเพื่อการเปลี่ยนรูปแบบข้อมูลท้องถิ่น .