20 卷积层里的填充和步幅【动手学深度学习v2】（笔记）

目录

一、填充

二、代码实现

三、问题总结

一、填充

1、不太理解，为啥是更大的卷积核，可以更快减小？哦，理解了，减去的是K，K大，减得多

当我想用大的卷积核，但是我的图片小，怎么办，我想用几百个卷积层怎么办

一个办法，就是填充

2、我填充之后，我的输出是4*4，比我的输入3*3还要大呢

3、填充的取值如下，这样做，代入可以看到可以抵消，可以让我们的输入输出和原来保持一致

4、出现这种问题，层数太多太多，咋办？步幅

5、啥意思？就是说 每次多跳一点，跳两列，跳两行

6、那该怎么算最后的输出大小？有点麻烦，快看不懂了

7、www最后有点点不懂，+步幅 / 步幅 ，算是成倍减少输出形状，我先去写代码吧

二、代码实现

0、comp_conv2d 函数是补充通道数和批量大小数，再调用conv2d

1、X=X.reshape((1,1)+X.shape) 加上一个通道数和批量大小数，是为了接下来调用conv2d函数

2、Y.reshape(Y.shape[2:]) 这个得到的是一个四维的，把前面两维拿掉

3、padding = 1 ,意思是左右各填充一行

4、8+2-3+1 = 8输出还是8*8

5、stride = 2 步幅，输出减半 （8+2-3+2）/ 2= 4.5 =4， 这里是＋2（加的是步幅），再向下取整

6、（8+0-3+3）/3=2 （8+2-5+4）/4=2

7、总结一下公式 （输入维度+填充（1是左右两列）-核数+步幅）/步幅

三、问题总结

• 超参数的重要程度
  • • 核大小：通常来说最重要
    • 填充： 通常设置成 （核数-1）
    • 步幅：大部分时候=1更好，这样可以看得更多；使用的时候是因为数据量大
• 卷积核的边长一般取奇数，比较好对称
• 卷积处理之后的输出维度并不是都要减半，要做很深的网络哇
• 问题16:老师，那多层的3*3卷积是不是和用不同大小的卷积核分别对原始图像做处理以后，再联合这些算出来的特征进行分类这种情况等价?

是有这个情况的，但是3*3的算的快，这和计算复杂度有关了

• 最后老师谈到钱的问题，突然觉得，有点幸运，能够学习到这种前沿的知识，这本身就是很贵很贵的，享受其中吧