기계 학습에서 만나는 함수【1】numpy.pad(기계 학습의 학습 #4)
0. 소개
파이썬 아마추어 (= 당연히 numpy 아마추어)가 기계 학습을 학습 할 때 만난 함수로 이해에 어려움을 쏟고 있습니다. 이번에는 "numpy.pad".
이후 numpy는 np라고 기재하고 있습니다.
1. 등장 개소
CNN의 컨벌루션 부분.
컨볼 루션 할 때 크기가 작아지지 않도록 이미지 주위를 숫자 (일반적으로 0)로 채 웁니다. (=패딩)
2. 동작
행렬의 전후에 값을 더한다.
3. 형식
np.pad(array,range,mode(,そのほか))
인수 이름
설명
보충
array
N차원 행렬
범위
각 차원에서 전후의 패딩 범위
mode
임베디드 방식
'constraint'(상수)가 자주 사용
보충
기본값은 패딩 값 = 0입니다.
4. 참조
5. 예
실시예 1
a = [[1, 2], [3, 4]]
np.pad(a, [(1, 2), (3, 4)], 'constant')
array([[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 1, 2, 0, 0, 0, 0],
[0, 0, 0, 3, 4, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0]])
사고방식
예 2: im2col
# N: データ数, C: チャンネル数, H: 各画像の幅, W: 各画像の高さ
N, C, H, W = input_data.shape
# 画像データの上下左右に0を1つパディング
img = np.pad(input_data, [(0,0), (0,0), (1, 1), (1, 1)], 'constant')
6. 사족(다음 번 예고?)
여기까지 썼습니다만, 결국 im2col의 이해 그 자체가 어려웠다고.
「제로 붙는다」 읽고, 스스로 그림을 걸어 보고, 상당히 고생했기 때문에, im2col에 대해 정리하고 싶습니다(자신이 잊을 것 같으니까…).
Reference
이 문제에 관하여(기계 학습에서 만나는 함수【1】numpy.pad(기계 학습의 학습 #4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/MA-fn/items/17cc7bdbd59700abdc3c
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
CNN의 컨벌루션 부분.
컨볼 루션 할 때 크기가 작아지지 않도록 이미지 주위를 숫자 (일반적으로 0)로 채 웁니다. (=패딩)
2. 동작
행렬의 전후에 값을 더한다.
3. 형식
np.pad(array,range,mode(,そのほか))
인수 이름
설명
보충
array
N차원 행렬
범위
각 차원에서 전후의 패딩 범위
mode
임베디드 방식
'constraint'(상수)가 자주 사용
보충
기본값은 패딩 값 = 0입니다.
4. 참조
5. 예
실시예 1
a = [[1, 2], [3, 4]]
np.pad(a, [(1, 2), (3, 4)], 'constant')
array([[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 1, 2, 0, 0, 0, 0],
[0, 0, 0, 3, 4, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0]])
사고방식
예 2: im2col
# N: データ数, C: チャンネル数, H: 各画像の幅, W: 各画像の高さ
N, C, H, W = input_data.shape
# 画像データの上下左右に0を1つパディング
img = np.pad(input_data, [(0,0), (0,0), (1, 1), (1, 1)], 'constant')
6. 사족(다음 번 예고?)
여기까지 썼습니다만, 결국 im2col의 이해 그 자체가 어려웠다고.
「제로 붙는다」 읽고, 스스로 그림을 걸어 보고, 상당히 고생했기 때문에, im2col에 대해 정리하고 싶습니다(자신이 잊을 것 같으니까…).
Reference
이 문제에 관하여(기계 학습에서 만나는 함수【1】numpy.pad(기계 학습의 학습 #4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/MA-fn/items/17cc7bdbd59700abdc3c
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
np.pad(array,range,mode(,そのほか))
인수 이름
설명
보충
array
N차원 행렬
범위
각 차원에서 전후의 패딩 범위
mode
임베디드 방식
'constraint'(상수)가 자주 사용
보충
기본값은 패딩 값 = 0입니다.
4. 참조
5. 예
실시예 1
a = [[1, 2], [3, 4]]
np.pad(a, [(1, 2), (3, 4)], 'constant')
array([[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 1, 2, 0, 0, 0, 0],
[0, 0, 0, 3, 4, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0]])
사고방식
예 2: im2col
# N: データ数, C: チャンネル数, H: 各画像の幅, W: 各画像の高さ
N, C, H, W = input_data.shape
# 画像データの上下左右に0を1つパディング
img = np.pad(input_data, [(0,0), (0,0), (1, 1), (1, 1)], 'constant')
6. 사족(다음 번 예고?)
여기까지 썼습니다만, 결국 im2col의 이해 그 자체가 어려웠다고.
「제로 붙는다」 읽고, 스스로 그림을 걸어 보고, 상당히 고생했기 때문에, im2col에 대해 정리하고 싶습니다(자신이 잊을 것 같으니까…).
Reference
이 문제에 관하여(기계 학습에서 만나는 함수【1】numpy.pad(기계 학습의 학습 #4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/MA-fn/items/17cc7bdbd59700abdc3c
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
실시예 1
a = [[1, 2], [3, 4]]
np.pad(a, [(1, 2), (3, 4)], 'constant')
array([[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 1, 2, 0, 0, 0, 0],
[0, 0, 0, 3, 4, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0, 0, 0, 0]])
사고방식
예 2: im2col
# N: データ数, C: チャンネル数, H: 各画像の幅, W: 各画像の高さ
N, C, H, W = input_data.shape
# 画像データの上下左右に0を1つパディング
img = np.pad(input_data, [(0,0), (0,0), (1, 1), (1, 1)], 'constant')
6. 사족(다음 번 예고?)
여기까지 썼습니다만, 결국 im2col의 이해 그 자체가 어려웠다고.
「제로 붙는다」 읽고, 스스로 그림을 걸어 보고, 상당히 고생했기 때문에, im2col에 대해 정리하고 싶습니다(자신이 잊을 것 같으니까…).
Reference
이 문제에 관하여(기계 학습에서 만나는 함수【1】numpy.pad(기계 학습의 학습 #4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/MA-fn/items/17cc7bdbd59700abdc3c
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
Reference
이 문제에 관하여(기계 학습에서 만나는 함수【1】numpy.pad(기계 학습의 학습 #4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/MA-fn/items/17cc7bdbd59700abdc3c텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)