作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120806277
目录
第1章 卷积中的“积”的定义
1.1 卷积中的“积”是内积
第2章 卷积中的“卷”的定义
2.1 在滑动中“卷”积
2.2 滑动的步长
stride:反映的每次移动的像素点的个数。
备注:
步长与输入数据的尺寸,直接决定了卷积核输出的尺寸。
但在实际定义卷积神经网络时,通常预先定义的是卷积层的输出尺寸,因此,步长并不是程序员预先设定的超参数,而是自动计算。
步长是根据卷积层的程序员指定的输入尺寸、输出尺寸、卷积核的大小来进行推导出来的。
第3章 边缘填充
3.1 Pading的基本思想来源
除了输出的边缘被裁剪,同时输入数据的边缘数据点,被使用的机会也比中心点使用的机会少。
为了克服上述确定,需要在边缘外围进行填充,确保输入数据的所有点都是机会均等的,公平的。
3.2 填充后的效果
3.3 边缘填充对输出的影响
(1)边缘填充影响卷积输出的大小
(2)由于填充的是0,因此不影响边缘处的卷积的输出值。
第4章 单个卷积核的输出
4.1 单通的输出(X,Y)
(1)单个卷积核的每一次卷积的输出是一个点
(2)单个卷积核的所有卷积的输出是一个二维的输出(三个通道的合成),而不是一个点。
(3)多个卷积核的所有卷积的输出组成一个三维的输出,第三个维度的长度反映卷积核的个数。
4.2 多输入通道的合并
多通道输入数据:通道的来源
RGB三个通道的合并,才阐述了整个图片的综合特征,因此,卷积的“积”会会三个通道的”积”进行累加合并。
第1层是第一个卷积核的输出。
第2层是第二个卷积核的输出。
第5章 多个卷积核的输出:多通道输出
5.1 通道的拓展
在输入图片时,通道是指:R,G,B三个颜色通道
在卷积层内部,通道是指:隶属于每个独立的神经元,通道数就是神经元的个数。
5.2 每个输出通道来自一个卷积核
每个卷积核的输出图形,都被原始图形小,分别是原始图形中某一个种特征,是原始图形的部分信息,而不是全部像素信息。
5.3 特征图:通道的本质是某一角度的特征
第6章 卷积的参数计算
6.1 特征图尺寸的计算公式
、
6.2 卷积核参数共享
(1)参数共享的好处
参数共享能够很好的降低全连接网络的过拟合
参数共享也可以极大的降低参数的个数
(2)全连接网络中批量样本计算时的参数共享
(3)卷积核的参数共享
第7章 卷积对图形变换
第8章 池化层
备注:池化不进行矩阵运算,而只是选择部分数据输出。
每个区域选择最大值:选择特征最大的值,是特征最明显的特征。
第9章 全连接的dropout
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120806277