卷积的两种手算方法

会了第二种卷积手算方法,可以递推圆周卷积方法,原理是一样的的,只是延时变成了循环。

同理的根据相关性的定义,将其中一个序列反向,然后按照本文这种方法进行求解,就是手算序列相关性了。

对如下x、y两个序列进行卷积计算,根据定义可以知道卷积结果长度为 5

首先,看第一种计算方法,根据定义式先将y序列翻转,然后逐位相乘

第二种方法相对来说比较简单,转到z域后,卷积变为多项式相乘,不需要对序列进行移动或处理,仅将结果延时相应位数,然后对应相加、提取系数即可。

  • 21
    点赞
  • 77
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
卷积神经网络(Convolutional Neural Network,CNN)是一种常用于图像识别和计算机视觉任务的深度学习模型。它通过卷积层、池化层和全连接层等组件来实现特征提取和分类。 卷积神经网络的计算方法主要包括以下几个步骤: 1. 输入数据:将输入的图像或特征图作为网络的输入。 2. 卷积操作:卷积层是CNN的核心组件之一。它通过使用一组可学习的卷积核(filter)对输入数据进行卷积操作,提取图像的局部特征。卷积操作可以通过滑动窗口的方式在输入数据上进行,每次计算得到一个卷积特征图。 3. 激活函数:在卷积操作后,通常会对卷积特征图进行激活函数的处理,如ReLU(Rectified Linear Unit)函数。激活函数的作用是引入非线性,增加网络的表达能力。 4. 池化操作:池化层用于对卷积特征图进行下采样,减少参数数量和计算量,并保留重要的特征。常用的池化操作包括最大池化和平均池化。 5. 全连接层:在经过多个卷积层和池化层后,通常会将特征图展平成一维向量,并通过全连接层进行分类或回归等任务。 6. Softmax函数:在分类任务中,通常会使用Softmax函数将全连接层的输出转化为概率分布,表示每个类别的概率。 7. 损失函数:根据任务的不同,选择适合的损失函数来度量模型输出与真实标签之间的差异。 8. 反向传播:通过反向传播算法,根据损失函数计算的梯度信息,更新网络参数,使得网络能够逐渐优化和学习。
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