ML Practicum: klasyfikacja obrazów
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Sprawdź swoją wiedzę: konwolucja
Dwuwymiarowy filtr konwolucyjny 3x3 jest stosowany do dwuwymiarowej mapy cech wejściowych 4x4 (bez dodawania dopełnienia):
Jaki jest kształt wyjściowej mapy cech?
2x2
Gdy filtr 3x3 przesuwa się po mapie cech 4x4, może być umieszczony w 4 unikalnych lokalizacjach, co daje mapę cech wyjściowych 2x2:
3x3
Chociaż sam filtr ma wymiary 3x3, wyjściowa mapa cech jest mniejsza, ponieważ na wejściowej mapie cech o wymiarach 4x4 jest mniej niż 9 (3 razy 3) możliwych miejsc, w których można umieścić filtr.
4x4
Aby wygenerować wyjściową mapę cech o takich samych wymiarach jak wejściowa mapa cech bez dopełnienia, filtr konwolucyjny musi mieć kształt 1x1. Filtr o rozmiarze większym niż 1x1 utworzy wyjściową mapę cech, która będzie mniejsza niż wejściowa mapa cech. Ponieważ nasz filtr ma rozmiar 3x3, wyjściowa mapa cech musi być mniejsza niż 4x4.
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-07-27 UTC.
[null,null,["Ostatnia aktualizacja: 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."]]
