ML Practicum: classificazione delle immagini
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Verifica la comprensione: convoluzione
A una mappa delle funzionalità di input bidimensionale 4x4 viene applicato un filtro convoluzionale bidimensionale 3x3
(non viene aggiunto alcun padding):
Qual è la forma della mappa delle caratteristiche di output?
2x2
Quando il filtro 3x3 scorre sulla mappa delle funzionalità 4x4, ci sono 4 posizioni uniche in cui
può essere posizionato, il che genera una mappa delle funzionalità di output 2x2:
3x3
Sebbene il filtro stesso sia 3x3, la mappa delle caratteristiche di output è più piccola perché ci sono meno
di 9 (3 x 3) posizioni possibili in cui il filtro può essere posizionato sulla mappa delle caratteristiche di input 4x4.
4x4
Per generare una mappa delle funzionalità di output con le stesse dimensioni della mappa delle funzionalità di input
senza padding, il filtro convoluzionale deve avere una forma 1x1. Un filtro
più grande di 1x1 produrrà una mappa delle caratteristiche di output più piccola della mappa delle caratteristiche di input. Poiché il nostro filtro è 3x3, la mappa delle caratteristiche di output deve essere più piccola
di 4x4.
Salvo quando diversamente specificato, i contenuti di questa pagina sono concessi in base alla licenza Creative Commons Attribution 4.0, mentre gli esempi di codice sono concessi in base alla licenza Apache 2.0. Per ulteriori dettagli, consulta le norme del sito di Google Developers. Java è un marchio registrato di Oracle e/o delle sue consociate.
Ultimo aggiornamento 2025-07-27 UTC.
[null,null,["Ultimo aggiornamento 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."]]
