【深度学习基础】对于模型结构、感受野和复杂度的初步认识
· 有人说,计算无外乎 y = wx + b。
· 控制论的一个角度:非线性模型,往往不可满足可加性,所以我们要将它线性化,尽可能逼近这个模型。
· 我们认为AI看似很容易做到的事情,往往是研究人员多年的目标——向他们致敬。
————————————
一、CNN基础
1、输出尺寸
(1) 卷积层(convolutional layer)
上式的n实际上是输入、输出特征的尺寸。卷积层输出特征的通道数与卷积核的数量相同。
(2) 池化层(pooling layer)
· 池化层单个patch的计算公式同卷积操作;
· 池化层输出的patch数量与输入patch的数量相同。
(3) 全连接层(Full-connected layer)
· 全连接层相当于单层感知器,由于是密集连接,其输出维度可以任意设置。
——————————————
2、感受野(Receptove Field)
· 感受野RF指的是网络当前层输出的特征patch中的一个网络(特征图的