深層学習_画像認識_基礎
畳み込み層
画像の場合、縦、横、チャンネルの3次元のデータをそのまま学習し、次に伝えることができる.
→3次元の空間情報も学習できるような層が畳み込み層である.
畳み込み層の演算
入力画像とフィルタとの各要素の積和演算を行う.
パディング
畳み込みによる出力サイズが小さくなって演算できなくなるため、入力データの周りに固定データを合わせて入力サイズを大きくして、出力サイズを調整する.
ストライド
入力画像に対してフィルタを1つずつずらしながら畳み込み演算を行うが、ずらす2つ、3つ設定することもできる.それはスライドと呼ぶ.
チャンネル
フィルターの数=チャンネルの数
処理後の画像サイズの計算式
プーリング層
畳み込み層で浮き出てきた特徴をぼやけさせ、他の似たような特徴と同じとみなして学習させる.重み係数を使わない.
im2col
def im2col(input_data, filter_h, filter_w, stride=1, pad=0): N, C, H, W = input_data.shape out_h = (H + 2*pad - filter_h)//stride + 1 out_w = (W + 2*pad - filter_w)//stride + 1 img = np.pad(input_data, [(0,0), (0,0), (pad, pad), (pad, pad)], 'constant') col = np.zeros((N, C, filter_h, filter_w, out_h, out_w)) for y in range(filter_h): y_max = y + stride*out_h for x in range(filter_w): x_max = x + stride*out_w col[:, :, y, x, :, :] = img[:, :, y:y_max:stride, x:x_max:stride] col = col.transpose(0, 4, 5, 1, 2, 3).reshape(N*out_h*out_w, -1) return col
# im2colによる画像を変換 col = im2col(x, kh, kw, sh, sw, ph, pw) n, c, kh, kw, out_h, out_w = col.shape #適切な形に変形しmaxをとる col = col.reshape(n, c, kh*kw, out_h, out_w) y = col.max(axis = 2) # 各カーネルの領域ごとにmaxを取る or -------------------------------------------------------------------------- col = im2col(x, pool_h, pool_w, stride, pad, constant_values=0) col = col.reshape(-1, pool_h * pool_w) out_idx = np.argmax(col, axis=1) # 最大値のインデックスを求める out = np.max(col, axis=1) out = out.reshape(N, out_h, out_w, C).transpose(0, 3, 1, 2)