ゼロパディングとストライドは、畳み込みの出力サイズに影響します。
入力サイズが 256×256、カーネルサイズが 4×4、パディングが 1、ストライドが 2 のとき、出力のサイズはいくつになりますか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
畳み込みニューラルネットワークは、画像に表現されたデータから学習します。この章では、画像データを探究し、Keras を使って画像に写っている物体を分類するニューラルネットワークを学習させる方法を学びます。
畳み込みは、畳み込みニューラルネットワークの基本的な構成要素です。この章では、畳み込みの基礎と、画像データに対してどのように動作するかを学びます。さらに、Keras のニューラルネットワークに畳み込みを組み込む方法も確認します。
現在の演習
畳み込みニューラルネットワークは、複数の層（ディープネットワーク）で構築すると大きな力を発揮します。この章では、複数の畳み込み層を積み重ねてディープなネットワークを作る方法を学びます。また、ネットワークの規模が大きくなるにつれてパラメータ数をどのように把握し、どのように制御するかも学びます。
ニューラルネットワークの学習を改善する方法は数多くあります。この章では、ネットワークの性能をどのように把握するかに焦点を当て、畳み込みニューラルネットワークを改良するためのさまざまなアプローチを探ります。
