手机定制网站,抚顺做网站,wordpress toggle,网站建设论文的结论图像卷积总结
二维卷积层的核心计算是二维互相关运算。最简单的形式是#xff0c;对二维输入数据和卷积核执行互相关操作#xff0c;然后添加一个偏置。核矩阵和偏移是可学习的参数核矩阵大小是超参数
填充和步幅 padding和stride
填充#xff1a; 在应用多层卷积时…图像卷积总结
二维卷积层的核心计算是二维互相关运算。最简单的形式是对二维输入数据和卷积核执行互相关操作然后添加一个偏置。核矩阵和偏移是可学习的参数核矩阵大小是超参数
填充和步幅 padding和stride
填充 在应用多层卷积时我们常常丢失边缘像素。 由于我们通常使用小卷积核因此对于任何单个卷积我们可能只会丢失几个像素。 但随着我们应用许多连续卷积层累积丢失的像素数就多了。 解决这个问题的简单方法即为填充padding在输入图像的边界填充元素通常填充元素是0。步幅 在计算互相关时卷积窗口从输入张量的左上角开始向下、向右滑动。 在前面的例子中我们默认每次滑动一个元素。 但是有时候为了高效计算或是缩减采样次数卷积窗口可以跳过中间位置每次滑动多个元素。总结 填充和步幅是卷积层的超参数填充在输入周围添加额外的行/列来控制输出形状的减少量。步幅是每次滑动卷积核的行/列的步长可以成倍的减少输出的形状。
多输入多输出通道 总结
输出通道数是卷积层的超参数每个输入通道有独立的二维卷积核所有输入通道结果相加一个输出通道结果每个输出通道 有 独立的三维卷积核
池化层
max-poolingaverage-pooling 总结池化层返回窗口中的最大或者平均值缓解卷积层对位置的敏感性同样有窗口大小、填充、和步幅作为 超参数 为什么池化层用的少了 池化层有两个作用
减少计算如果用到stride1如果stride放在卷积池化这个功能就没了。缓解卷积层对位置的敏感性但是我们会对数据本身做一些操作放大旋转缩小这样淡化了池化层的作用。
