本文详细解析了卷积神经网络CNN的计算过程，包括卷积公式、步长、填充等概念，并通过实例展示了如何从6*6的图片通过3*3卷积核和不同步长实现维度提升，特别强调了池化层在CNN升维中的作用。通过代码演示加深理解。
之前学习CNN时，知道CNN是做特征升维的，随着设置不同的步长以及子采样来提升维度。比如一个图片28*28像素，设置步长为1并使用max_pool_2x2可以升维到14*14。但不知道具体卷积的计算过程，网上的解释也很少，所以直到今天实验之后才总算弄明白了。
先看卷积计算公式：(很重要很重要很重要，重要的事情说三遍)
L` = (L-1)/S+1; 式一
P = (K-1)/2; 式二
说明：
L`：卷积后的维度；
L：卷积前的维度；
K：卷积核的维度；
P：Padding(填充)维度；
S：步长。
假设我们有一张6*6的图片，卷积核为3*3，步长为1。例如：
| 1 | 4 | 0 | 4 | 1 | 0 |
| 3 | 3 | 0 | 2 | 4 | 4 |
| 4 | 2 | 3 | 4 | 1 | 4 |
| 3 | 1 | 1 | 1 | 4 | 1 |
| 0 | 0 | 3 | 2 | 4 | 2 |
| 4 | 4 | 3 | 3 | 0 | 0 |
最低0.47元/天 解锁文章
1050
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
