郑州网站建设华久,网络公司推广方案,自动生成作文的软件,wordpress利用视频引流本文重点
在卷积神经网络中有很多重要的卷积核#xff0c;比如1*1的卷积核#xff0c;3*3的卷积核#xff0c;本文将讲解1*1的卷积核的使用#xff0c;它在卷积神经网络中具有重要的地位。由于1*1的卷积核使用了最小的窗口#xff0c;那么1*1的卷积核就失去了卷积层可以识…本文重点
在卷积神经网络中有很多重要的卷积核比如1*1的卷积核3*3的卷积核本文将讲解1*1的卷积核的使用它在卷积神经网络中具有重要的地位。由于1*1的卷积核使用了最小的窗口那么1*1的卷积核就失去了卷积层可以识别高和宽维度上相邻元素构成的模式的功能。所以1*1的卷积核的主要计算发生在通道维上。
使用1*1卷积完成通道压缩
对于一个 28×28×192 的输入层我们可以使用池化层压缩它的高度和宽度但如果通道数量很大如何才能压缩通道呢 该如何把28×28×192压缩为 28×28×32 维度呢你可以用 32个大小为 1×1×192 的过滤器也就是说你使用了 32 个过滤器输出层为 28×28×32这就是压缩通道数nc的方法。 我们可以认为1×1 卷积只是添加了非线性函数所以让网络学习更复杂的函数我们可以再添加一层使用192个大小为 1×1*192的过滤器其输入为 28×28×192输出为 28×28×192。这样输入和输出的维度是一样的都是28×28×192但是后面的输出比前面的输入可以认为提取到了更加复杂的特征。
