文章目录
- P1 卷积层里的多输入多输出通道
- P2 代码实现
- P3 Q&A
-
- 1. 卷积可以解决输入大小变化的情况,有什么方法能解决channel动态变化的情况吗?只能下采样?
- 2. 网络越深,Padding 0越多,是否会影响性能
- 3. 每个通道的卷积核都不一样吗?同一层不同通道的卷积核大小必须一样吗?
- 4. 计算卷积时,bias的有无,对结果影响大吗?bias的作用怎么解释
- 5. 如果是一个rgb图像,加上深度图,相当于输入是四通道,做卷积核rgb三通道做法一样吗?
- 6. 高频和低频细节的学习有什么讲究吗?比如开始注重高频部分,接下来注重低频
- 7. 是不是可以3X3X3和1X1XN的卷积层叠加,来分别进行空间信息的检测和信息融合,以及输出通道的调整
- 8. 卷积能获取位置信息吗?感觉卷积就是把网络信息提取出来便于函数拟合
P1 卷积层里的多输入多输出通道
https://www.bilibili.com/video/BV1MB4y1F7of
- 这部分讲卷积神经网络另一个常见的超参数——通道数,这个是大家通常会比较仔细去设置的一个参数
- 主要就是输入和输出通道(之前在上一节填充和步幅的时候,调用代码默认都给的是1)
1.1 多输入/输出通道
- 对于图像来说,一般用的都是彩色图,彩色图一般会有三个通道。PNG和BMP格式的则会有四个通道(包含一个alpha透明度的通道)
- 像之前的FASHION-MNIST数据集,其实是灰度图,只有黑白灰(灰度)256种颜