卷积神经网络中的卷积核、padding和pooling

    首先贴一下原文:https://www.zhihu.com/question/22298352

    本想自己写一下卷积核是怎么进行卷积操作的,但是发现上文中讲述的很好,这里就直接转过来。我在这里补充一下padding和pooling也就是填充层和池化层。

    padding的用途:保持边界信息,如果不加padding层的话,最边缘的像素点信息只会卷积核被扫描到一次,但是图像中间的像素点会被扫描到很多遍,那么就会在一定程度上降低边界信息的参考程度,但是在加了padding之后,在实际处理过程中就会从新的边界进行扫描,就从一定程度上解决了这些问题。还有一点就是可以利用padding层来对输入尺寸有差异图片进行补齐,是的输入图片尺寸一致。

    池化层的功能:第一,又进行了一次特征提取,所以能减小下一层数据的处理量。

                            第二,能够获得更为抽象的信息,从而防止过拟合,也就是提高了一定的泛化性

                            第三,由于这种抽象性,所以能对输入的微小变化产生更大的容忍,也就是保持了它的不变性,这里的容忍包括图像的少量平移、旋转缩放等操作变化。

    这篇文章记录我对卷积核、padding和pooling的一下看法,当然了由于才疏学浅,肯定有不足之处,这里也欢迎大家批评指正。




  • 3
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值