Thực hành học máy: Phân loại hình ảnh
Sử dụng bộ sưu tập để sắp xếp ngăn nắp các trang
Lưu và phân loại nội dung dựa trên lựa chọn ưu tiên của bạn.
Kiểm tra mức độ hiểu biết: Phép tích chập
Bộ lọc tích chập 3x3 hai chiều được áp dụng cho bản đồ đối tượng đầu vào 4x4 hai chiều (không thêm khoảng đệm):
Bản đồ đối tượng đầu ra có hình dạng như thế nào?
2x2
Khi bộ lọc 3x3 trượt trên bản đồ đối tượng 4x4, sẽ có 4 vị trí duy nhất mà bộ lọc này có thể được đặt, dẫn đến bản đồ đối tượng đầu ra 2x2:
3x3
Mặc dù bản thân bộ lọc có kích thước 3x3, nhưng bản đồ đối tượng đầu ra có kích thước nhỏ hơn vì có ít hơn 9 (3 lần 3) vị trí có thể đặt bộ lọc trên bản đồ đối tượng đầu vào 4x4.
4x4
Để tạo bản đồ đối tượng đầu ra có cùng kích thước với bản đồ đối tượng đầu vào mà không có khoảng đệm, bộ lọc tích chập phải có hình dạng 1x1. Bộ lọc lớn hơn 1x1 sẽ tạo ra một bản đồ đối tượng đầu ra nhỏ hơn bản đồ đối tượng đầu vào. Vì bộ lọc của chúng ta là 3x3, nên bản đồ đối tượng đầu ra phải nhỏ hơn 4x4.
Trừ phi có lưu ý khác, nội dung của trang này được cấp phép theo Giấy phép ghi nhận tác giả 4.0 của Creative Commons và các mẫu mã lập trình được cấp phép theo Giấy phép Apache 2.0. Để biết thông tin chi tiết, vui lòng tham khảo Chính sách trang web của Google Developers. Java là nhãn hiệu đã đăng ký của Oracle và/hoặc các đơn vị liên kết với Oracle.
Cập nhật lần gần đây nhất: 2025-07-27 UTC.
[null,null,["Cập nhật lần gần đây nhất: 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."]]
