Art of DS

Вигляд

Палітра
Тема
Доступ $20 одноразово
Увійти або створити акаунт

Вхід до Art of DSСтворіть акаунт Art of DS

Ми надішлемо на пошту посилання й шестизначний код. Увійти можна будь-яким із них; пароля немає.Введіть свою пошту. Ми надішлемо посилання й шестизначний код, щоб її підтвердити, — пароль не потрібен. Акаунт безкоштовний.

  • Ви повернетеся на цю сторінку, туди, де зупинилися.
  • Уже маєте акаунт? З тією самою адресою ви просто ввійдете.

Продовжуючи, ви приймаєте Умови та Політику конфіденційності.

Ваш акаунт

Безкоштовний акаунтДоступ назавжди

складність 3/5

Receptive field

Визначення

Область входу, від якої одна одиниця взагалі може залежати — яка росте лише лінійно з глибиною і чий вплив зосереджений у гаусовому центрі, значно меншому за саму область.

Спершу прочитайте Convolution Увесь шлях — на мапі
Формула
rℓ=rℓ−1+(kℓ−1)∏i<ℓsir_{\ell} = r_{\ell-1} + (k_{\ell} - 1)\prod_{i<\ell} s_i

Інтуїція

Візьміть одне число в глибокій карті ознак і запитайте, які пікселі входу могли його змінити. У першому згортковому шарі відповідь — фрагмент 3 × 3. У другому — 5 × 5, бо кожен із тих дев’яти прийшов зі свого власного фрагмента. Ідіть далі — і область росте, але лише на k − 1 за шар, а це повільно.

Це важить, бо одиниця не може розпізнати щось більше за те, що вона бачить. Якщо відповідь залежить від об’єкта завширшки 200 пікселів, а охоплення одиниці — 40, жодне навчання цього не виправить: інформація так і не дійшла.

І є друга, менш очевидна проблема. Не всі пікселі в цьому охопленні важать однаково. Ті, що в центрі, з’єднані з одиницею багатьма шляхами; ті, що скраю, — дуже небагатьма [1, §1]. Область, яку одиниця могла б використати, і область, яку вона справді використовує, мають різні розміри, і розрив ширшає з глибиною.

Формальне визначення

Як це працює

Де застосовується

Практичний приклад

Типові помилки

Перевірте себе

3 запитання

Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.

Відкрити всі квізи

Джерела

  1. Luo, Li, Urtasun, Zemel. Understanding the Effective Receptive Field in Deep Convolutional Neural Networks (2017)paperhttps://arxiv.org/abs/1701.04128
  2. Zhang, Lipton, Li, Smola. Dive into Deep Learningbook · звірено 2026-09-05https://d2l.ai/

Маєте промокод?

Код зі знижкою 100% одразу відкриває все. Менша знижка віднімається від ціни у вікні оплати: введіть там той самий код.

Написати в підтримку

Питання, проблема з доступом, повернення коштів? Напишіть нам, і ми відповімо листом.

Про що це?

Адресу використаємо лише для відповіді вам.

Повідомлення надіслано

Дякуємо. Відповімо листом на адресу, яку ви вказали.

Або напишіть нам напряму

support@artofds.com

Повідомлення надіслано Дякуємо. Відповімо листом на адресу, яку ви вказали.

Перевірте адресу пошти: вона потрібна, щоб відповісти.

Це наша адреса. Вкажіть свою, щоб відповідь дійшла до вас.

На цю адресу не можна надіслати лист. Перевірте, чи немає помилки.

Напишіть трохи більше: щонайменше 10 символів.

Забагато повідомлень за короткий час. Спробуйте за кілька хвилин.

Не вдалося надіслати повідомлення. Напишіть нам напряму: support@artofds.com