卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

二維卷積層

二維卷積層的核心計(jì)算是二維互相關(guān)運(yùn)算

在最簡(jiǎn)單的形式下,它對(duì)二維輸入數(shù)據(jù)和卷積核做互相關(guān)運(yùn)算然后加上偏差

?我們可以設(shè)計(jì)卷積核來檢測(cè)圖像中的邊緣

我們可以通過數(shù)據(jù)來學(xué)習(xí)卷積核


填充和步幅

填充可以增加輸出的高和寬

這常用來使輸出與輸入具有相同的高和寬。 步幅可以減小輸出的高和寬,例如輸出的高和寬僅為輸入的高和寬的1/n1/n(nn為大于1的整數(shù))


多輸入通道和多輸出通道

使用多通道可以拓展卷積層的模型參數(shù)

?假設(shè)將通道維當(dāng)作特征維,將高和寬維度上的元素當(dāng)成數(shù)據(jù)樣本,那么1×1卷積層的作用與全連接層等價(jià)

1×1卷積層通常用來調(diào)整網(wǎng)絡(luò)層之間的通道數(shù),并控制模型復(fù)雜度


池化層

最大池化和平均池化分別取池化窗口中輸入元素的最大值和平均值作為輸出

?池化層的一個(gè)主要作用是緩解卷積層對(duì)位置的過度敏感性

?可以指定池化層的填充和步幅

?池化層的輸出通道數(shù)跟輸入通道數(shù)相同

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成,瀏覽時(shí)請(qǐng)結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點(diǎn),簡(jiǎn)書系信息發(fā)布平臺(tái),僅提供信息存儲(chǔ)服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容