Python学习笔记

最新推荐文章于 2021-07-17 15:50:49 发布

皓桑Anthony

最新推荐文章于 2021-07-17 15:50:49 发布

阅读量241

点赞数

本文链接：https://blog.csdn.net/AnthonyHao/article/details/118297686

版权

卷积

设输入图片大小为n*n，卷积核大小为f*f，周围填充p圈，步长为s，则输出图片大小为

$(\frac{n+2p-f}{s}+1)\times (\frac{n+2p-f}{s}+1)$

（如果计算结果不是整数，则向下取整）

图像边缘检测

将图片与如下卷积核kernal/过滤器filter进行卷积

1	0	-1
1	0	-1
1	0	-1

也可以用下面的这些卷积核进行卷积：

Sobel Filter
1	0	-1
2	0	-2
1	0	-1

这种卷积核的优点是增加了中间这一行的权重，这样就可以使得整个系统的鲁棒性（robust a.）更高（鲁棒性指的是计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃）

如果需要进行水平边缘处理，那直接将整个卷积核顺时针旋转90°即可

当然，最好的办法是直接把卷积核设置成参数，让深度学习自己去算，这样就可以更加灵活地处理不同角度的边缘。

填充padding

填充的原因：

1. 卷积的时候边缘的数据只会被计算一两次，这样就浪费了边缘上的信息，因此需要在图片周围进行一定的填充，这样卷积的时候才能够更多地利用到图片边缘的信息

2. 图片每卷积一次缩小(shrink v.)一圈，这样就会使得图片越来越小，在图片周围进行填充可以让图片进行卷积之后仍然保持原来的大小

需要维持图片原大小的p=(f-1)/2

Valid/Same Convolution

Valid Convolution: p=0

Same Convolution: p=(f-1)/2

卷积核边长一般都是奇数

1. 如果f是偶数那就只能够不对称填充(asymmetric padding n.)输入图片，f是奇数才能够对称填充(natural padding n.)

2. 奇数f可以有一个中心点，这样就可以利用中心点来确定卷积核的位置

3. 其实是大家的习惯（

步长stride

多维卷积

直接把每次对应的27个数字加在一起，最后输出只有一个通道

卷积总结

如果 $l$ 是卷积当中的一层，那么 $f^{[l]}$ 为卷积核的边长， $p^{[l]}$ 为填充宽度， $s^{[l]}$ 为步长， $n_{C}^{[l]}$ 为卷积核数量

输入为 $n_H^{[l-1]}\times n_W^{[l-1]}\times n_C^{[l-1]}$ （分别表示长、宽、通道数量）

输出为 $n_H^{[l]}\times n_W^{[l]}\times n_C^{[l]}$ （分别表示长、宽、卷积核数量）

每个卷积核为 $f^{[l]}\times f^{[l]}\times n_C^{[l-1]}$

$n^{[l]}=\frac{n^{[l-1]}+2p^{[l]}-f^{[l]}}{s^{[l]}}+1$

激活值=（输出+偏差）*激活函数

$a^{[l]}\rightarrow n_H^{[l]}\times n_W^{[l]}\times n_C^{[l]}$

$A^{[l]}\rightarrow M\times n_H^{[l]}\times n_W^{[l]}\times n_C^{[l]}$ （ $M$ 表示样本数量）

权重weights: $W=f^{[l]}\times f^{[l]}\times n_C^{[l-1]}\times n_C^{[l]}$

偏差常数bias $n_C^{[l]} \rightarrow (1,1,1,n_C^{[l]})$

卷积神经网络的三种层

卷积层Convolution layer(Conv)

池化层Pooling layer(Pool)

全连接层Fully connected layer(FC)

池化层Pooling Layer

f: 过滤器大小

s: 步长

最大池化/平均池化

输入为

最低0.47元/天解锁文章

皓桑Anthony

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
Python学习笔记

卷积设输入图片大小为n*n，卷积核大小为f*f，周围填充p圈，则输出图片大小为(n+2p-f+1)*(n+2p-f+1)图像边缘检测将图片与如下卷积核kernal/过滤器filter进行卷积1 0 -1 1 0 -1 1 0 -1 也可以用下面的这些卷积核进行卷积：Sobel Filter 1 0 -1 2 0 -2 1 0 -1 填充padding...
复制链接

扫一扫