💒CNN Mimarisi
Last updated
Last updated
© 2024 ~ Yunus Emre Ak ~ yEmreAk
Convolutional Neural Network yerine bu kısaltılmış ad kullanılmakta
| Parametre | Terim | Açıklama |
|---|---|---|
$f$ | Filter | Filtre boyutu |
$s$ | Stride | Adım sayısı |
$p$ | Padding | Doldurma miktarı |
$n_{filter}$ | # of filter | Filtre sayısı |
Çok derin ağlarda avg pooling diğerlerinde max pooling kullanılır
| Pooling | Açıklama |
|---|---|
Max Pooling | En büyük pixel değerini alır |
Avarage Pooling | Pixellerin ortalamasını alır |
En belirgiin özellikleri ortaya çıkarır
Filtredeki en büyük pixeli alır
Öğrenme olmaz, sadece işlem hızını etkiler
Parametre ve gradient descent yok
Sadece hyperparametreler var
⚠ Neden iyi çalıştığına dair net bir sebep bilinmiyor.
Parametrelerin (w, b) olmadığı alanlar katman olarak sayılmaz
Pooling alanları bir öncesindeki CONV ile ortak katman olarak ele alınır
Activation size ilerledikçe azalır
Convolutional işlemlerinin başladığı CONV1 katmanında başlayarak azalır
Çok hızlı azalırsa model verimli çalışmaz
Superscript $[l]$ denotes an object of the $l^{th}$ layer.
Example: $a^{[4]}$ is the $4^{th}$ layer activation. $W^{[5]}$ and $b^{[5]}$ are the $5^{th}$ layer parameters.
Superscript $(i)$ denotes an object from the $i^{th}$ example.
Example: $x^{(i)}$ is the $i^{th}$ training example input.
Lowerscript $i$ denotes the $i^{th}$ entry of a vector.
Example: $a^{[l]}_i$ denotes the $i^{th}$ entry of the activations in layer $l$, assuming this is a fully connected (FC) layer.
$n_H$, $n_W$ and $n_C$ denote respectively the height, width and number of channels of a given layer. If you want to reference a specific layer $l$, you can also write $n_H^{[l]}$, $n_W^{[l]}$, $n_C^{[l]}$.
$n_{H_{prev}}$, $n_{W_{prev}}$ and $n_{C_{prev}}$ denote respectively the height, width and number of channels of the previous layer. If referencing a specific layer $l$, this could also be denoted $n_H^{[l-1]}$, $n_W^{[l-1]}$, $n_C^{[l-1]}$.
