深度学习常用算子（一）

转自：https://blog.csdn.net/zhuhaodonglei/article/details/100013802

1、起始输入

Data：输入数据第一层

2、激活算子

作用：引入非线性（通常需要区分的区域，直线是无法完全区分的）

 

1）Relu

公式：ReLU(x)=max(0,x)

2）LeakyRelu

公式：LeakyRelu(x) = (x >= 0 ? x : x*negative_slope);

3）Relu6

公式：LeakyRelu(x) = max(max(x, 0), 6);

4）Tan

公式：tanh(x)=(exp(x)-exp(-x))/(exp(x)+exp(-x));

5）sigmoid

公式：sigmoid(x) = 1. / (1. + exp(x))

6）PRelu

公式：f(x) = max(x, 0) + slope_data[c] * min(x, 0);

3、两个Tensor计算

1）+、-、*、/：Add、Sub、Mul、RealDiv

2）BiasAdd：用于增加bias操作，通常bias是一维Tensor

3）MatMul：矩阵乘

4）Axpy：向量求和，公式：y += a * x

4、多个Tensor计算

EltwiseOp

作用：多个Tensor对应位置元素进行相乘、相加、取最大值中一种操作

5、归一化

1）BatchNorm

参考：https://blog.csdn.net/life_is_amazing/article/details/51839438

作用：加快神经网络的训练收敛速度

2）LRN

全称：Local Response Normalization，即局部响应归一化层

作用：

LRN这个概念和运用是出现在AlexNet中。
LRN最初是生物学里的概念“相邻神经元抑制”，对局部神经元的活动创建竞争机制。
使用LRN增加了泛化能力（使输出中响应比较大的值变得相对更大，并抑制其他响应较小的神经元），做了平滑处理，提高了1%~2%的识别率。

其他：

在2015年的《Very Deep Convolutional Networks for Large-Scale Image Recognition》中，说明了LRN在IILSVRC数据集上不能对性能进行改善。
主流的模型中基本不使用LRN。

3）SsdNormalize

作用：限制了一次归一化的范围

使用网络：SSD

6、特征提取

1）Convolution

作用：分区域进行特征值提取

2）FullConnection

作用：

看作一种特殊卷积层，或者看作矩阵乘；整个输入作为feature map，进行特征提取

FC是一种迁移学习的结果，具体作用参考：https://www.zhihu.com/question/41037974

通常FC后面接Softmax，所以FC层的功能还包括矩阵维度变换，将维度变换为Softmax对应的维度

3）Correlation

与Convolution的区别，参考：https://www.cnblogs.com/linyuanzhou/p/4846499.html

4）DeConvolution

参考：https://www.jianshu.com/p/91e07efe2f32

作用：将一个低维度的空间映射到高维度，同时保持他们之间的连接关系/模式

5）DepConvolution

参考：https://baijiahao.baidu.com/s?id=1625255860317955368&wfr=spider&for=pc

作用：采用分步计算的方法，完成普通3D核的计算，其好处在于提升卷积计算的效率

7、防过拟合

1）Pooling

作用：Pooling的作用是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值或平均值。Pooling减少了参数的数量，防止过拟合现象的发生。

2）Mean

作用：只有取均值功能的滑窗算子

3）ROIPooling

参考：https://blog.csdn.net/u011436429/article/details/80279536

作用：对ROI进行pooling操作，从不同大小的方框得到固定大小相应 的feature maps

使用网络：Faster RCNN

4）ROIAlign

作用：解决ROIPooling两次量化带来的问题，使用线性插值的方式来解决。

使用网络：Mask-RCNN

5）PSROIPooling

参考：https://blog.csdn.net/wfei101/article/details/80766812

使用网络：R-FCN
————————————————
版权声明：本文为CSDN博主「gapostal」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zhuhaodonglei/article/details/100013802