- 感受野:特征层的一格对应以上各层中的像素个数。卷积层和池化层都可以扩大感受野:
- VGG亮点:堆叠多个小卷积核可以代替一个大卷积核,并且参数数量更少。例如两个3x3相当于1个5x5,他们的感受野大小相同,三个3x3可以代替一个7x7;替换拉直(latten)到全连接层为卷积,模型可以达到相同的结果,参数量也相同,但效率更高。
- 要注意,深度学习中的参数量是所有卷积核的总像素数,这些参数是要学习的,神经网络学习的权重就是卷积核的像素值(权值)。
- 卷积操作与池化操作的区别要注意,卷积是为了提取特征,池化是为了筛选特征(类似卷积核,但是是对卷积核内只取平均或者最大值)【池化不改变特征矩阵的深度】
- TensorFlow的padding设置(N为该层输出图片的大小):
- 卷积的物理意义:对于一个系统,其输入是不稳定的(不定时在输入)但输出是稳定的(每时每刻都在输出),卷积则代表其系统的存量。【不需要懂,是个数学意义,有兴趣可以b站直接搜卷积意义】{之前发生的事情会对之后产生影响,但每一件事情的影响都会随时间削弱——