超级会员免费看
本文总结了卷积算法的核心参数，包括padding、stride和dilation，解析了卷积的作用——通过不同大小的感受野提取特征，并介绍了空洞卷积和分组卷积等变种，帮助理解CNN中的卷积操作。
前面大概花了 10 几节的篇幅，介绍了卷积这一算法，我觉得是值得的。
因为在CNN网络中，卷积是属于绝对的核心，而且围绕着卷积可衍生出来的算法还有很多，并且卷积的算法思想在很多其他算法中都有体现，比如矩阵乘法、全连接算法。这一节来总结一下这个算法。
卷积算法的参数
一个卷积运算最基础的输入有两个，一个是输入图像，一个是卷积核，最基础的输出有一个，那就是特征图。
当然在有些网络中，你可能还会看到第三个参数，那就是偏置（bias）, bias 偏置这个好理解，就是对于最终的输出整体加上一个偏置项。
这个偏置项和卷积核（权值）一样也是一个可以学习的参数，用来提升模型的训练精度。这个我们可以暂时不考虑，因为它很简单，就是在卷积的输出的基础上再进行一次加法操作。
一个卷积运算最基础的参数有以下三个：
padding：用于在输入图像周围填充像素值
stride:指示卷积核在输入图像上扫描时每次滑动的步长
dilation:卷积核的膨胀率
以上就是卷积算法的所有参数和输入以及输出。
卷积的作用
透过卷积核看到的输入图像上的像素范围被称为“感受野”，不同大小的感受野下，卷积学习到的特征不
订阅专栏 解锁全文
4769
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
