深度学习笔记(4)：1.4-1.5：CNN中常用两大基本操作：padding、strided convolutions

最新推荐文章于 2024-08-16 09:04:50 发布
最新推荐文章于 2024-08-16 09:04:50 发布
阅读量4.5k 收藏 12
点赞数 4
分类专栏： 深度学习 文章标签： padding strided convolutions CNN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kkkkkiko/article/details/82759941
版权
本文介绍了深度学习中卷积神经网络（CNN）的两个关键概念：padding和strided convolutions。padding通过在图像边缘添加0来防止尺寸减小并充分利用边缘信息。strided convolutions则通过调整卷积步长（stride）控制输出尺寸，并可能导致边缘信息损失。文章详细解释了这两个操作的原理和影响，并提供了相应的计算公式。
摘要由CSDN通过智能技术生成

1.4 padding 

在深度学习中，需要学会的一个基本卷积操作就是padding，padding是什么意思呢？

之前未使用padding时，假设我们的图片是6*6的，在使用3*3的filter之后，图片变为4*4的，发现了什么？图片使用卷积操作之后变小了，这还只是使用一次，如果我们在深层网络中需要使用多次呢？可想而知，图片就会变得越来越小，甚至会缩小到1*1，我们当然不希望在识别边缘或其他特征时图片变得越来越小。

除此之外，这样直接使用卷积运算还有一个问题，那就是图片边缘角落的像素信息使用次数较少，这容易使我们损失掉很多处在角落位置的像素带来的信息，怎么说呢？如上图所示，我们本来是6*6的矩阵，左上角即(1,1)位置的格子，那个绿色的格子，在使用3*3的filter进行卷积运算时，我们仅使用一次，这样我们就容易损失掉这一部分包含的信息。

为了解决卷积运算带来的这两种缺点，padding思想被提出。什么是padding呢？padding就是在原图像周围再加上p圈像素，p在这里是参数，像素值我们一般取0。这样一来既不怕图像通过卷积运算变得越来越小，也不怕图像原本边缘处的信息利用不到了。

原来未加像素前，6*6的图片通过3*3的filter我们可以得到4*4的图片，这是有公式的，假设原图像是n*n，filter是f*f࿰

最低0.47元/天 解锁文章
起个名字好难.JPG
关注
专栏目录
深度学习各种卷积详解
02-01
详细讲解了深度卷积神经网络中各类卷积的实现方法，有计算公式，有示意图
卷积步长（strided convolutions）
csdn_xmj的博客
04-27 7777
来源：Coursera吴恩达深度学习课程 卷积中的步长（strided convolutions）是另一个构建卷积神经网络的基本操作，具体看下面一个例子。 如果你想用3×3的过滤器卷积这个7×7的图像，和之前不同的是，我们把步幅设置成了2。第一次计算你还和之前一样取左上方的3×3区域的元素的乘积，再加起来，最后结果为2×3 + 6×1 + 3×(-1) + 3×4 + 6×0 + 4×0 + 7×4 + 9×2 + 8×3 =91。第二次计算注意一下左上角（蓝色圆圈），这个点移动到其后两格的点，跳.
深度学习笔记（22） Padding
最新发布
m0_37302966的博客
08-16 46
深度学习笔记（22） Padding
求逆卷积ConvTranspose2d（fractionally-strided convolutions）
weixin_43905052的博客
03-08 261
ConvTranspose2d 逆卷积是怎么实现的
strided convolution vs pooling
Sundrops的专栏
01-04 5021
strided convolution vs pooling
深度学习stride_吴恩达深度学习笔记(75)-卷积步长讲解(Strided convolutions)
weixin_35529208的博客
12-31 691
卷积步长(Strided convolutions)卷积中的步幅是另一个构建卷积神经网络的基本操作，让我向你展示一个例子。如果你想用3×3的过滤器卷积这个7×7的图像，和之前不同的是，我们把步幅设置成了2。你还和之前一样取左上方的3×3区域的元素的乘积，再加起来，最后结果为91。只是之前我们移动蓝框的步长是1，现在移动的步长是2，我们让过滤器跳过2个步长，注意一下左上角，这个点移动到其后两格的点，...
学习笔记：深度学习（4）——卷积神经网络（CNN）PyTorch实践篇
Morganfs的博客
04-14 3765
小白PyTorch超快上手，采用CNN做了一个手写数字识别，一个MINST手写数字预测，以及尝试了Kaggle的Spaceship Titanic案例。
【学习笔记】：Multi-mode Transformer Transducer with Stochastic Future Context
muzi_0815的博客
11-15 1562
原文链接 文章基本信息：题目，作者，作者机构，发表刊物或会议，年份，期刊会议等级（CCF） 题目，Multi-mode Transformer Transducer with Stochastic Future Context 作者，Kwangyoun Kim1, Felix Wu1, Prashant Sridhar1, Kyu J. Han1, Shinji Watanabe2 作者机构，1ASAPP , USA 2Carnegie Mellon University, USA 发表刊物...
深度学习笔记（一）：卷积神经网络CNN
Lineng's blog
12-25 1824
卷积层 卷积核Kernel 步幅Stride 填充Padding 多通道上的卷积 激活函数 卷积函数 转置卷积 池化层 池化的三种方式 局部池化 全局池化 ????卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，通过也包括关联权重和池化层（Pooling Layer） -用于手写识别的一个比较简单的卷积神经网络，由卷积层(Conv2d)、池化层(MaxPool2d)和全连接层(Linear)叠加而成 import torch.nn as nn im
Conv2d中的stride和padding参数的使用
m0_51816252的博客
05-31 5235
Conv2d中最常用的参数就是in_channels ，out_channels ，kernel_size ，stride ，padding 这5个，往往需要我们手动输入，本文结合代码介绍了stride和padding参数的使用。
吴恩达：卷积神经网络（Convolutional Neural Networks）
Cachel Wood的博客
07-24 1066
文章目录1.1 计算机视觉1.2 边缘检测示例1.3 更多的边缘检测内容1.4 padding1.5 卷积步长 strided convolution1.6 三维卷积1.7 单层神经网络1.8 简单卷积网络示例1.9 池化层1.10 卷积神经网络示例1.11 为什么使用卷积？2.1 为什么要进行实例研究？2.2 经典网络2.3 残差网络2.4 残差网络为什么有用？2.5 网络中的网络以及1x1卷积2.6 谷歌inception网络简介2.7 inception网络2.8 使用开源的实现方案2.9 迁移学习2
对抗的深度卷积生成网络来学习无监督表示
灰巧克力爱松露
10-03 1万+
Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks.
GAN论文阅读——DCGAN
小白的笔记本
03-01 1万+
论文标题：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks 论文链接：https://arxiv.org/abs/1511.06434 参考资料：http://blog.csdn.net/liuxiao214/article/details/73500737 ...
DCGAN论文笔记+源码解析
小时候贼聪明
01-25 2万+
DCGAN，Deep Convolutional Generative Adversarial Networks是生成对抗网络（Generative Adversarial Networks）的一种延伸，将卷积网络引入到生成式模型当中来做无监督的训练，利用卷积网络强大的特征提取能力来提高生成网络的学习效果。
使用深度学习实现滑动验证码识别初探
weixin_44906759的博客
11-28 584
在视觉领域，使用卷积神经网络来实现物体的分类与识别能更好的反映和抽取出物体的特征，因而被大规模的应用在这些任务上面。 为了解决在一个图像中检测多个对象的问题，有研究者提出了RCNN（Regions with CNN features)的概念，并实现其算法；后来又发展出了FAST-RCNN ,FASTER-RCNN, FCN 这些更高阶的算法。
详解CNN中的stride 和 padding 到底是怎么计算的
热门推荐
tiandd12的博客
05-10 2万+
平时不注意的细节，别人一问的时候就会很懵逼，所以认真对待每一个参数。 先看一下 tensorflow中自带的卷积操作是什么样子的呢？ https://tensorflow.google.cn/api_docs/python/tf/nn/conv2d tf.nn.conv2d( input, filter, strides, padding, use_...
吴恩达-深度学习-卷积神经网络-Padding 笔记
洪流之源
05-11 1万+
为了构建深度神经网络，你需要学会使用的一个基本的卷积操作就是padding，让我们来看看它是如何工作的。我们在之前视频中看到，如果你用一个3×3的过滤器卷积一个6×6的图像，你最后会得到一个4×4的输出，也就是一个4×4矩阵。那是因为你的3×3过滤器在6×6矩阵中，只可能有4×4种可能的位置。这背后的数学解释是，如果我们有一个的图像，用的过滤器做卷积，那么输出的维度就是。在这个例子里是，因此得到了...
(no more strided convolutions or pooling:a new cnn building block for low-re
04-27
卷积神经网络（CNN）是一种广泛应用于计算机视觉中的深度学习算法。在CNN中，卷积层和池化层是常用的组成部分，其中卷积层通过滑动窗口在图像上进行卷积操作，池化层则用于减少特征图的尺寸和计算量。然而，近年来出现了一种新的卷积层组件，被称为“no more strided convolutions or pooling”的CNN建模块，旨在解决低分辨率（Low-Res）图像分类的问题。 这种新的CNN建模块不使用传统的卷积和池化，而是使用一种叫做“局部响应归一化（Local Response Normalization，LRN）”的操作。LRN操作是一种对卷积层输出进行归一化的技术，有助于提高模型的鲁棒性和泛化能力。与传统的池化层相比，LRN操作可以更好地保留图像的空间信息，从而提高低分辨率图像分类的准确性。 此外，新的CNN建模块还采用了一种叫做“inception”结构的设计，用于获得不同尺度的特征信息。在这种结构中，不同大小的卷积核可以在同一层中并行使用，并对其输出进行拼接，从而获得更丰富的特征信息，提高模型的准确性和效率。 总之，“no more strided convolutions or pooling”的CNN建模块是一种新的卷积神经网络组件，可以有效解决低分辨率图像分类的问题。通过使用LRN和inception结构，可以提高模型的鲁棒性和泛化能力，获得更准确和高效的特征表示。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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