本文介绍了卷积神经网络（CNN）的基本概念，包括卷积操作的padding和stride，池化层，dropout正则化，以及反卷积层Conv2DTranspose的工作原理。还探讨了CNN中感受野的计算及其在图像到特征映射中的应用，通过简化公式，解释了如何从原始图像定位到特征图上的对应区域。
CNN简介（原图到特征图的映射）
1. 卷积有padding和stride，左上顶头开始，直到遍历完输入图像的所有像素（即使靠右靠下还有剩余padding也不再计算）。
奇数图像stride=(2,2)，no padding卷积：先减1，再除以2。
图像大小m*m,核k*k,stride=s,输出大小[m/s]-(k-1)/s。[]表上取整。
2. padding=same：0填充，padding=valid：不填充。参考，参考2
3. 奇数图像(2,2)池化：先加1，再除以2
4. dropout=p：以概率p舍弃神经元，即其中p不工作。防止过拟合
5. Conv2DTranspose：反卷积，动图。
stride-1是在输入图像两像素间插入的0像素数。
no strides的反卷积=n
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
