ML-Praktikum: Bildklassifizierung
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Wissenstest: Faltung
Ein zweidimensionaler 3×3-Faltungsfilter wird auf eine zweidimensionale 4×4-Eingabe-Feature-Map angewendet (kein Padding):
Welche Form hat die Ausgabefeature-Map?
2x2
Wenn der 3×3-Filter über die 4×4-Feature-Map gleitet, gibt es vier eindeutige Positionen, an denen er platziert werden kann. Das Ergebnis ist eine 2×2-Ausgabe-Feature-Map:
3x3
Der Filter selbst ist zwar 3 × 3, die Ausgabemerkmal-Karte ist jedoch kleiner, da es weniger als 9 (3 × 3) mögliche Positionen gibt, an denen der Filter auf der 4 × 4-Eingabemerkmal-Karte platziert werden kann.
4x4
Wenn Sie eine Ausgabefeature-Map mit denselben Dimensionen wie die Eingabefeature-Map ohne Padding generieren möchten, muss der Faltungsfilter die Form 1 × 1 haben. Ein Filter, der größer als 1 × 1 ist, erzeugt eine Ausgabefeature-Map, die kleiner als die Eingabefeature-Map ist. Da unser Filter 3 × 3 ist, muss die Ausgabefeature-Map kleiner als 4 × 4 sein.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-07-27 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-07-27 (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."]]
