Yapay Sinir Ağlarında 1D Konvolüsyon

Konvolüsyonun nasıl çalıştığını anlıyorum ama 1B konvolüsyonların 2D verilere nasıl uygulandığını anlamıyorum.

2D evrişim

Bu örnekte, 2B verilerde 2B dönüştürmeyi görebilirsiniz. Ama 1B evrimi olsaydı nasıl olurdu? Sadece 1D çekirdeği aynı şekilde mi kayar? Ve adım 2 olsaydı?

Teşekkür ederim!

conv-neural-network

— Gustavo
kaynak

Sadece her matrisin ilk satırına bakın.

— Piotr Migdal

Bana bir örnek verebilir misin?

— Gustavo

1d kıvrımları katı bir 2d görüntü için gerçekten yararlı olmaz. Gri tonlamalı olmayan görüntüler teknik olarak 3D'dir çünkü üç renk kanalı vardır.

— Ethan

@Gustavo Bunun gibi: toto-share.com/wp-content/uploads/2011/11/… 1x1 evrişim (sinir ağları anlamında) demek istemediğiniz sürece, bu farklı bir şeydir.

— Piotr Migdal

Benim sorunum, d3kbpzbmcynnmx.cloudfront.net/wp-content/uploads/2015/11/… gibi kıvrımlarla ilgili, biri çekirdek boyutu 3 ve diğeri 2 boyutu olan iki kıvrım var ... Ama bu çekirdek 1D veya boyut xk ?

— Gustavo

Yanıtlar:

Let vektörleri (örneğin kelime vektörler) bir dizisi. Bir kıvrımlı katman uygulamak, aynı ağırlık matrislerini tüm n-gramlara uygulamakla eşdeğerdir; burada , filtrenizin yüksekliğidir. Örneğin, , aşağıdaki gibi görselleştirebilirsiniz: $x_1, …,x_n$ $n$ $n=3$

Biraz daha matematiksel bir açıklama için Ji Young Lee, Franck Dernoncourt'a bakabilirsiniz. " Tekrarlayan ve Konvolüsyonel Sinir Ağları ile Sıralı Kısa Metin Sınıflandırması ". NAACL 2016 . bölüm 2.1.2:

— Franck Dernoncourt
kaynak

1D evrişimler, evrişim ağlarında filtre boyutunda aşağı örnekleme ve yukarı örnekleme için kullanılır. Evrişimli ağlar, ağ üzerinden geçerken bu filtre haritalarını oluşturur, bunları gerçekten bir 3. boyut olarak düşünebilirsiniz. Filtre haritası boyutunun genel temel durumu 3 boyuttadır, çünkü genellikle ağımızda RGB görüntülere sahip olacağız.

Bu 1D kıvrımları, aşağı örnekleme, bazı işlemler gerçekleştirme ve daha sonra aynı boyuta kadar yukarı örnekleme için yararlı olabilir. Bu, performans nedenleriyle oldukça kullanışlıdır.

Gerçekten sezgisel olarak anlamak için okumanızı öneririm:

Ağ içinde ağ - http://arxiv.org/abs/1312.4400

Kıvrımlarla daha derine inmek - https://www.google.com/url?sa=t&source=web&rct=j&url=http://www.cs.unc.edu/~wliu/papers/GoogLeNet.pdf&ved=0ahUKEwi89oeuxqnLAhXhuQKQGF0GQCFWGQCFEQCFQCFWGQ0 rrECNQ72wI3PH1Qw ve sig2 = VhjfaMvuskNIDVKhFfNiqQ

— Ethan
kaynak

1D kıvrımları yerine 1x1 kıvrımlardan (sinir ağları anlamında) bahsettiğinizi dikişler.

— Piotr Migdal

Doğru, sinir ağlarının dahil olduğunu varsaydım. Ben / r / ML üzerinde bu soruya bir bağlantı geldi reddit üzerinde soruları bu yüzden ML ile ilgili olduğunu varsayalım. Ancak, basit bir evrişim için bu konuyla ilgili değildir: P.

— Ethan