এমএল প্র্যাকটিকাম: ইমেজ ক্লাসিফিকেশন
সেভ করা পৃষ্ঠা গুছিয়ে রাখতে 'সংগ্রহ' ব্যবহার করুন
আপনার পছন্দ অনুযায়ী কন্টেন্ট সেভ করুন ও সঠিক বিভাগে রাখুন।
আপনার বোঝাপড়া পরীক্ষা করুন: কনভোলিউশন
একটি দ্বি-মাত্রিক, 3x3 কনভোলিউশনাল ফিল্টার একটি দ্বি-মাত্রিক 4x4 ইনপুট বৈশিষ্ট্য মানচিত্রে প্রয়োগ করা হয় (কোন প্যাডিং যোগ করা হয়নি):
আউটপুট বৈশিষ্ট্য মানচিত্রের আকৃতি কি?
2x2
যেহেতু 3x3 ফিল্টারটি 4x4 বৈশিষ্ট্য মানচিত্রের উপর স্লাইড করে, সেখানে 4টি অনন্য অবস্থান রয়েছে যেখানে এটি স্থাপন করা যেতে পারে, যার ফলে একটি 2x2 আউটপুট বৈশিষ্ট্য মানচিত্র রয়েছে:
3x3
ফিল্টারটি নিজেই 3x3 হলেও, আউটপুট বৈশিষ্ট্য মানচিত্রটি ছোট কারণ 9টিরও কম (3 গুণ 3) সম্ভাব্য অবস্থান রয়েছে যেখানে 4x4 ইনপুট বৈশিষ্ট্য মানচিত্রে ফিল্টার স্থাপন করা যেতে পারে।
4x4
প্যাডিং ছাড়া ইনপুট বৈশিষ্ট্য মানচিত্রের মতো একই মাত্রা সহ একটি আউটপুট বৈশিষ্ট্য মানচিত্র তৈরি করতে, কনভোল্যুশনাল ফিল্টারটি 1x1 আকারে হতে হবে। 1x1 এর চেয়ে বড় একটি ফিল্টার একটি আউটপুট বৈশিষ্ট্য মানচিত্র তৈরি করবে যা ইনপুট বৈশিষ্ট্য মানচিত্রের চেয়ে ছোট। যেহেতু আমাদের ফিল্টার 3x3, আউটপুট বৈশিষ্ট্য মানচিত্র 4x4 এর চেয়ে ছোট হতে হবে।
অন্য কিছু উল্লেখ না করা থাকলে, এই পৃষ্ঠার কন্টেন্ট Creative Commons Attribution 4.0 License-এর অধীনে এবং কোডের নমুনাগুলি Apache 2.0 License-এর অধীনে লাইসেন্স প্রাপ্ত। আরও জানতে, Google Developers সাইট নীতি দেখুন। Java হল Oracle এবং/অথবা তার অ্যাফিলিয়েট সংস্থার রেজিস্টার্ড ট্রেডমার্ক।
2025-07-29 UTC-তে শেষবার আপডেট করা হয়েছে।
[null,null,["2025-07-29 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["\u003cp\u003eApplying a 3x3 convolutional filter to a 4x4 input feature map without padding results in a 2x2 output feature map.\u003c/p\u003e\n"],["\u003cp\u003eThe output feature map is smaller than the input because the filter's size limits the number of positions it can occupy on the input.\u003c/p\u003e\n"],["\u003cp\u003eA 1x1 filter would be required to maintain the input's dimensions in the output without padding.\u003c/p\u003e\n"]]],[],null,["# ML Practicum: Image Classification\n\n\u003cbr /\u003e\n\nCheck Your Understanding: Convolution\n-------------------------------------\n\nA two-dimensional, 3x3 convolutional filter is applied to a two-dimensional 4x4 input feature map\n(no padding added):\n\nWhat is the shape of the output feature map? \n2x2 \nAs the 3x3 filter slides over the 4x4 feature map, there are 4 unique locations in which it can be placed, which results in a 2x2 output feature map: \n3x3 \nWhile the filter itself is 3x3, the output feature map is smaller because there are fewer than 9 (3 times 3) possible locations where the filter can be placed on the 4x4 input feature map. \n4x4 \nTo generate an output feature map with the same dimensions as the input feature map with no padding, the convolutional filter would have to be 1x1 in shape. A filter larger than 1x1 will produce an output feature map that is smaller than the input feature map. Because our filter is 3x3, the output feature map must be smaller than 4x4."]]
