JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 4. Распознавание изображений и звуковых сигналов
161
субдискретизации, очень часто встречается в сверточных сетях. Он выполняет важ­
нейшую миссию: иерархическое выделение признаков. Для пояснения рассмотрим 
сверточную сеть, предназначенную для классификации животных на фотографиях. 
На начальных уровнях нейронной сети фильтры (то есть каналы) в сверточном слое 
могут кодировать простейшие геометрические признаки, например прямые линии, 
кривые и углы. Эти признаки далее преобразуются в более сложные, например ко­
шачьи глаз, нос и ухо (рис. 4.6). Фильтры слоя на верхнем уровне сверточной сети 
могут кодировать наличие на изображении всей кошки. Чем выше уровень, тем выше 
и абстрактность представления и дальше сами признаки от значений отдельных 
пикселов. Но именно такие абстрактные признаки и позволяют обеспечить высокую 
безошибочность решения задачи сверточной сети — например, обнаружить кошку, 
если она изображена на фотографии. Более того, эти признаки не описываются 
вручную, а выделяются из данных автоматически, путем обучения с учителем. Это 
классический пример послойного преобразования представлений того типа, который 
мы описали в главе 1 как сущность глубокого обучения.
Рис. 4.6.
Иерархическое выделение сверточной сетью признаков во входном изображении 
на примере изображения кошки. Обратите внимание, что входной сигнал сверточной сети 
приведен внизу, а выходной сигнал — вверху
4.2.4. Слои схлопывания и плотные слои
Пройдя через две группы преобразований conv2d­maxPooling2d, входной тензор 
становится тензором HWC формы 
[4,
4,
16]
(не считая измерения батчей). Следу­
ющий слой нашей сверточной сети — слой схлопывания, связывающий предыдущие 
слои conv2d­maxPooling2d и дальнейшие слои последовательной модели.

---

162