PyTorch深層学習⑬畳み込み層:理論編

前回は、単純な画像分類を畳み込み層を使わずに実装しました。今回は、画像から特徴量を抽出するのが得意な畳み込み層について解説します。

本シリーズの記事リスト

---

• ①前提条件

• ②テンソル

• ③テンソル：NumPy編

• ④テンソル：Tensor編

• ⑤データセット編

• ⑥線形回帰：理論編

• ⑦線形回帰：実装編

• ⑧ロジスティック回帰:理論編

• ⑨ロジスティック回帰:実装編

• ⑩ニューラルネットワーク

• ⑪単純な画像分類１

• ⑫単純な画像分類2

• ⑬畳み込み層:理論編

• ⑭畳み込み層:実践編

• ⑮最大値プーリング

• ⑯畳み込みニューラルネットワーク

• ⑰再帰型ニューラルネットワーク

• ⑱再帰型：実装編

• ⑲LSTM:理論編

• ⑳LSTM:実践編

• ㉑トランスフォーマー:紹介編

• ㉒トランスフォーマー:実践編

---

畳み込み層では、画像を平坦化することなくピクセル同士の位置関係を意識した画像処理を行います。そのため、畳み込み層の仕組みを理解するには画像データの構造についての知識が必要となります。といってもそんなに難しいことではありません。また、画像データ構造についてはこちらでも詳しく解説しています。

まずは、畳み込みカーネルの仕組みの解説から始めます。