![](https://img-blog.csdnimg.cn/20200413075646557.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
低调学习CNN
低调学习CNN
氵文大师
我年华虚度,空有一身疲倦
展开
-
感受野以及与卷积核运算比较——低调学习CNN(2)
感受野(Receptive Field)定义:卷积神经网络各输出特征图中的每个像素点,在原始输入图片上映射区域的大小我们来看一例子:原始图片为5*5:使用3*3的卷积核对其进行卷积操作,得到右下角特征图: 则右下角被绿色框框 框起来的像素点感受野为3 在对输出的3*3特征图进行3*3的卷积操作,得到1*1的特征图:而该1*1的特征图的唯一像素点的感受范围为初始特征图,即其感受...原创 2020-04-11 22:29:28 · 2046 阅读 · 1 评论 -
超超超超超简单推导CNN反向传播——低调学习CNN(1)
1.写在前面相信诸位老铁,点开我这篇博客,都是想看看卷积层的反向传播和池化层的反向传播是怎么求导的,但是点开其他博客都是一大段的公式,望而止步,我之前也是介个样子。在本次博客,我先带大家感觉一下求导的过程,严格来说,本次的CNN并非正宗的CNN,但是却可以帮助我们了解求导的过程!大家一定要看懂这一步,再看下一步,必要的时候拿出纸和笔好好算算!!2.卷积过程相信这个操作,大家都熟悉的一批,我...原创 2020-03-26 21:08:44 · 448 阅读 · 0 评论