taralino

Layout

Eigentlich haben wir bereits die Vorgehensweise zur Definition eines Faltungsnetzwerks vollständig präsentiert. Dennoch geben wir in diesem Abschnitt ergänzende Hinweise, insbesondere zum Thema Layout.

Denn bei größeren Bildern werden in der Regel jeweils abwechselnd mehrere sogenannte Convolutional- sowie Pooling-Layer verwendet. Erst dadurch ist man in der Lage, markante Stellen in den Bildern zu identifizieren, bevor die Daten an ein neuronales Netz zur Lösung einer Klassifikationsaufgabe übergeben werden.

All die zuvor genannten Spezifikationen bezeichnen wir als Layout eines Faltungsnetzwerks. Es ist durchaus herausfordernd, aber von großer Bedeutung, ein geeignetes Layout zur Lösung einer Klassifikationsaufgabe zu definieren. In der folgenden Anwendung ist daher nochmals ein Layout eines etwas größeren Beispiels veranschaulicht:

Als Input verwendet werden Bilder bestehend aus 40 x 40 Pixel.
Anschließend werden wiederholt Faltungen und Poolings durchgeführt, sodass sich Eingangssignale bestehend aus 625 Neuronen ergeben.

Nimm dir einen Moment Zeit: Wenn du die Veranschaulichung des Layouts anhand der folgenden Anwendung nachvollziehen kannst, dann hast du die wesentlichen Inhalte des Kurses bereits gut verstanden. Sicher bist du dann auch selbst in der Lage, ein sinnvolles Layout zu spezifizieren.

Anwendung

Definition eines Faltungsnetzwerks samt Veranschaulichung des Layouts.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
</head>
<body>
<script>

var image_size = [40, 40];

var layout = [
  {count:5,size:5,pooling:2},
  {count:5,size:3,pooling:4}
];

ConvNet.init(image_size, layout);
ConvNet.plot_model();

</script>
</body>
</html>

Vorschau Download Kopie speichern

Wahl der Filter

In unseren Anwendungen ist zwar die Anzahl und die Größe der Filter zu spezifizieren, allerdings sind nicht sämtliche Filter (bzw. Werte der Filter) im Detail zu definieren. In professionellen Deep Learn Anwendungen hingegen sind auch die Werte der Filter das Ergebnis einer Trainingsphase. Da wir die Komplexität jedoch überschaubar halten möchten und wir es ohnehin nur mit vergleichsweise kleinen Bildern zu tun haben, sind in unseren Anwendungen bereits geeignete Standardfilter hinterlegt. Wie diese genau ausschauen, kann der folgenden Referenz entnommen werden:

Zur Referenz