若某层模型的特征提取能力不足,可在这一层多用几个卷积核以提高这层的特征提取能力。
每个小颗粒存储着一个待训练参数。在执行卷积计算时,卷积核里的参数固定。反向传播时,小颗粒中的待训练参数会被梯度下降法更新。卷积就是使用了立体卷积核,实现了参数的空间共享。
卷积过程如下:
单通道卷积
三通道卷积
几个概念
1、感受野
下图上方5*5的卷积核和两个3*3卷积核最后得到的1*1特征向量所对应的原始输入图片的感受野均为5*5。那究竟如何选择卷积核?见下图下方。
若某层模型的特征提取能力不足,可在这一层多用几个卷积核以提高这层的特征提取能力。
每个小颗粒存储着一个待训练参数。在执行卷积计算时,卷积核里的参数固定。反向传播时,小颗粒中的待训练参数会被梯度下降法更新。卷积就是使用了立体卷积核,实现了参数的空间共享。
卷积过程如下:
单通道卷积
三通道卷积
几个概念
下图上方5*5的卷积核和两个3*3卷积核最后得到的1*1特征向量所对应的原始输入图片的感受野均为5*5。那究竟如何选择卷积核?见下图下方。