Travaux pratiques sur le ML: classification d'images
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Testez vos connaissances : convolution
Un filtre convolutif bidimensionnel 3x3 est appliqué à une carte de caractéristiques d'entrée bidimensionnelle 4x4 (aucune marge intérieure ajoutée) :
Quelle est la forme de la carte de caractéristiques de sortie ?
2x2
Lorsque le filtre 3x3 se déplace sur la carte de caractéristiques 4x4, il peut être placé à 4 endroits uniques, ce qui génère une carte de caractéristiques de sortie 2x2 :
3x3
Bien que le filtre lui-même soit de 3x3, la carte de caractéristiques de sortie est plus petite, car il y a moins de 9 (3 x 3) emplacements possibles où le filtre peut être placé sur la carte de caractéristiques d'entrée de 4x4.
4x4
Pour générer une carte de caractéristiques de sortie ayant les mêmes dimensions que la carte de caractéristiques d'entrée sans marge intérieure, le filtre convolutif devrait être de forme 1x1. Un filtre supérieur à 1x1 génère une carte de caractéristiques de sortie plus petite que celle d'entrée. Comme notre filtre est de 3x3, la carte de caractéristiques de sortie doit être plus petite que 4x4.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/27 (UTC).
[null,null,["Dernière mise à jour le 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."]]
