Генератор «Архитектура нейронной сети · CNN»

Бесплатный онлайн-генератор «Архитектура нейронной сети · CNN»: полностью подписанная схема примерно за 90 секунд. ИИ сначала планирует обязательные подписи, затем рисует иллюстрацию в стиле учебника — каждую подпись можно отредактировать; готово для статей, заданий и слайдов.

Подписи на этой схеме

Входное изображение 224×224×3
Свёртка Conv 224×224×64
Активация ReLU
Максимальная подвыборка MaxPool 112×112×64
Свёртка Conv 112×112×128
Активация ReLU
Максимальная подвыборка MaxPool 56×56×128
Развёртывание Flatten
Вектор признаков 401408
Полносвязный слой FC
Классы
Выход Softmax

Создать эту схему →

✓ Точные подписи ✓ Текст можно править ✓ PNG для статей, постеров и слайдов

Архитектура нейронной сети · CNN — Реальный результат · без правок

Что показывает эта схема

Схема показывает типичную архитектуру свёрточной нейронной сети для классификации изображений. На вход поступает тензор 224×224×3, где первые два измерения задают высоту и ширину, а третье соответствует цветовым каналам. Свёртка Conv формирует 64 карты признаков размером 224×224, извлекая локальные структуры: границы, углы и текстуры. Функция активации ReLU вносит нелинейность. Максимальная подвыборка MaxPool уменьшает пространственное разрешение до 112×112 при сохранении 64 каналов. Вторая свёртка увеличивает глубину представления до 128 карт, после чего повторная подвыборка сокращает их размер до 56×56. Далее признаки используются для распознавания класса.

Данные распространяются слева направо в режиме прямого прохода, что обозначается стрелками. Если свёртка сохраняет размеры 224×224 и 112×112, на схеме подразумеваются единичный шаг и дополнение границ, согласованное с размером ядра. ReLU применяется поэлементно и обычно не изменяет форму тензора. MaxPool, например с окном 2×2 и шагом 2, уменьшает высоту и ширину вдвое. После второго блока тензор 56×56×128 развёртывается операцией Flatten в вектор длины 56·56·128 = 401408. Полносвязный слой FC объединяет извлечённые признаки и вычисляет оценки классов. Softmax нормирует эти оценки, преобразуя их в распределение вероятностей, сумма которых равна единице.

Что должна содержать правильная схема

Входной тензор 224×224×3 — изобразите его трёхмерным прямоугольным параллелепипедом и поясните порядок измерений: высота, ширина, каналы.
Первый блок Conv–ReLU — укажите выход 224×224×64; сохранение пространственного размера должно быть согласовано с шагом и дополнением границ.
Первый слой MaxPool — покажите уменьшение 224×224 до 112×112 при неизменном числе каналов 64, если подвыборка выполняется только по пространственным измерениям.
Второй блок Conv–ReLU — обозначьте переход от 112×112×64 к 112×112×128, подчёркивая увеличение числа обучаемых карт признаков.
Второй слой MaxPool — подпишите выход 56×56×128 и визуально уменьшите высоту и ширину параллелепипеда, сохранив его глубину.
Операция Flatten — явно покажите преобразование тензора 56×56×128 в вектор из 401408 компонентов, не представляя её как обучаемый слой.
Полносвязный слой FC и классы — свяжите каждый элемент вектора признаков с выходными оценками классов и укажите, что число выходов соответствует числу классов.
Выход Softmax и стрелки — завершите схему вероятностями классов, а однонаправленными стрелками обозначьте последовательность прямого распространения.

Типичные ошибки

Ошибочно считать, что ReLU изменяет размеры тензора: эта функция применяется поэлементно, поэтому форма входа и выхода совпадает.
Неверно уменьшать число каналов после MaxPool: стандартная пространственная подвыборка сокращает высоту и ширину, но обычно сохраняет глубину.
Указывать в Flatten произвольную длину вектора вместо произведения измерений: для 56×56×128 правильное значение равно 401408.
Показывать сохранение размера после Conv без согласованных параметров: при ядре 3×3, шаге 1 и отсутствии дополнения карта признаков станет меньше.
Смешивать Softmax и выбор класса: Softmax вычисляет нормированные вероятности, а итоговая метка обычно определяется индексом максимальной вероятности.

Советы учителю

Схему удобно использовать после изучения дискретной свёртки и перед разбором обучения методом обратного распространения ошибки. Сначала предложите студентам определить форму тензора после каждого слоя, затем спросите, какие параметры являются обучаемыми и почему ReLU и MaxPool не увеличивают число весов. В качестве расчётного задания полезно проверить длину вектора Flatten и вывести формулу размера после свёртки. Схема связана с экзаменационными вопросами о локальных рецептивных полях, разделении параметров, нелинейности, пространственной подвыборке, классификации и различии между логитами FC и вероятностями Softmax.

Вопросы об этой схеме

Почему после свёртки пространственный размер остаётся равным 224×224?

Это возможно при шаге 1 и подходящем дополнении границ, часто называемом сохранением размера. Например, для ядра 3×3 добавляют по одному нулевому элементу с каждой стороны.

Зачем увеличивать число каналов с 64 до 128, одновременно уменьшая высоту и ширину?

По мере углубления сети пространственная детализация сокращается, а число карт признаков увеличивается для описания более разнообразных и сложных шаблонов. Такое преобразование позволяет переносить информацию из координатного представления в более насыщенное признаковое.

Чем Flatten отличается от полносвязного слоя?

Flatten только меняет форму тензора, не выполняя обучения и не добавляя параметров. Полносвязный слой содержит матрицу весов и смещения, с помощью которых преобразует вектор признаков в оценки классов.