مختبر الرؤية الحاسوبية الدروس الحشو والخطوة والتجميع
الحشو والخطوة والتجميع
Padding, stride and pooling
كيف تتحكم هذه الإعدادات في أبعاد خرائط السمات ومجال الرؤية.
هذا المحتوى أُعدّ آلياً من مصادر موثقة ولم تكتمل مراجعته العلمية البشرية بعد. إن وجدت خطأً فأبلغنا.
المقدمة
حجم خرائط السمات يتغير عبر الشبكة بفعل الحشو والخطوة والتجميع، وهذا يحدد ما تراه كل طبقة.
الأهداف التعليمية
- حساب أثر الحشو والخطوة.
- التمييز بين التجميع الأقصى والمتوسط.
- فهم مجال الرؤية (Receptive field).
المتطلبات السابقة
الالتفاف خطوة بخطوة.
الشرح العلمي
الحشو يضيف إطاراً من الأصفار ليحفظ الأبعاد ويعطي الحواف وزناً. الخطوة 2 تنصّف الأبعاد تقريباً. التجميع الأقصى 2×2 بخطوة 2 يأخذ أكبر قيمة في كل نافذة فيحتفظ بأقوى استجابة. تراكم هذه العمليات يكبّر مجال الرؤية فتصبح الطبقات العميقة «ترى» مساحة أكبر من الصورة.
المعادلات الرياضية
التجميع: y = max(x في النافذة) أو متوسطها. مجال الرؤية بعد طبقتين 3×3 بخطوة 1 هو 5×5.
مثال عملي
خريطة 5×5 بعد ReLU ثم تجميع أقصى 2×2 بخطوة 2 تصبح 2×2.
خطوات التنفيذ
- في مختبر الالتفاف فعّل ReLU والتجميع.
- شغّل حتى النهاية لرؤية المصفوفات بعد كل مرحلة.
- جرّب طبقة على صورة حقيقية بخطوة 2 وتجميع 4×4.
النتائج المتوقعة
تنخفض الأبعاد وتبقى الاستجابات القوية.
الأخطاء الشائعة
الظن أن التجميع يتعلم معاملات (ليس فيه معاملات)، أو تجاهل أثر الخطوة على فقدان المعلومات.
التطبيقات العملية
تصميم معماريات CNN، حساب الذاكرة.
المراجع
- V. Dumoulin, F. Visin (2016).A guide to convolution arithmetic for deep learning. arXiv:1603.07285. doi:10.48550/arXiv.1603.07285
- I. Goodfellow, Y. Bengio, A. Courville (2016).Deep Learning. MIT Press. www.deeplearningbook.org
