Практикум по машинному обучению: классификация изображений
Оптимизируйте свои подборки
Сохраняйте и классифицируйте контент в соответствии со своими настройками.
Проверьте свое понимание: свертка
Двумерный сверточный фильтр 3x3 применяется к двумерной входной карте признаков 4x4 (без добавления заполнения):

Какова форма выходной карты признаков?
2x2
При перемещении фильтра 3x3 по карте объектов 4x4 существует 4 уникальных места, в которых его можно разместить, что приводит к получению выходной карты объектов 2x2:

3x3
Хотя сам фильтр имеет размер 3x3, выходная карта признаков меньше, поскольку существует менее 9 (3 умножить на 3) возможных мест, где можно разместить фильтр на входной карте признаков 4x4.
4x4
Чтобы сгенерировать выходную карту признаков с теми же размерами, что и входная карта признаков, без заполнения, свёрточный фильтр должен иметь размер 1x1. Фильтр размером больше 1x1 создаст выходную карту признаков, которая меньше входной. Поскольку наш фильтр имеет размер 3x3, выходная карта признаков должна быть меньше 4x4.
Если не указано иное, контент на этой странице предоставляется по лицензии Creative Commons "С указанием авторства 4.0", а примеры кода – по лицензии Apache 2.0. Подробнее об этом написано в правилах сайта. Java – это зарегистрированный товарный знак корпорации Oracle и ее аффилированных лиц.
Последнее обновление: 2025-07-29 UTC.
[null,null,["Последнее обновление: 2025-07-29 UTC."],[[["\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."]]