卷积网络keras实现的部分理解

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。
摘要由CSDN通过智能技术生成

参考

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

评论
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