卷积总结篇（普通卷积、转置卷积，做了三年Linux运维

于 2024-04-06 18:48:11 发布
阅读量1k 收藏 22
点赞数 29
分类专栏： 2024年程序员学习 文章标签： linux 深度学习 运维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_60635224/article/details/137434987
版权

1.概念或背景

2.卷积后的尺寸大小转换公式

3.功能

4.各个指标比较（参数量、计算量、感受野）

5.分组卷积用途

6.代码实现​​​​​​

五、深度可分离卷积

1.逐通道卷积（Depthwise Convolution即DW卷积）

2.逐点卷积（Pointwise Convolution即PW卷积）

3.深度可分离卷积的功能

4.各个指标比较（参数量、计算量、感受野）

5.深度可分离卷积用途

6.代码实现

六、总结

什么是卷积？

卷积是指在滑动中提取特征的过程，可以形象地理解为用放大镜把每步都放大并且拍下来，再把拍下来的图片拼接成一个新的大图片的过程。

一、普通卷积**：（“卷积”就是“加权求和”）**

更详细请看笔者的博文：矩阵乘法实现卷积运算_caip12999203000的博客-CSDN博客_矩阵乘法实现卷积

**1.**以2D卷积为例，2D卷积是一个相当简单的操作<

最低0.47元/天 解锁文章
编程彪炳
关注
  • 29
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Depthwise卷积与Pointwise卷积
Cutepingping的博客
02-12 5958
Depthwise卷积与Pointwise卷积 Depthwise卷积与Pointwise卷积，合起来被称作 Depthwise Separable Convolution, 该结构和常规的卷积操作类似，可以用来提取特征，但相比于常规的卷积操作，其参数量和运算成本比较低，所以在一些轻量级网络中会碰到如此结构。 常规卷积操作 对于一张5x5像素，三通道彩色输入图片，经过3x3x4卷积核的卷积层...
卷积总结篇（普通卷积、转置卷积、膨胀卷积、分组卷积和深度可分离卷积）_dw卷积(1)
最新发布
2401_84139049的博客
05-12 660
（输入的通道数为M，尺寸为DF x DF ，输出通道数为N， a为膨胀率，卷积核大小为DK x DK ， n为卷积核的个数，忽略偏执b。（输入的通道数为M，尺寸为DF x DF ，输出通道数为N， a为膨胀率，卷积核大小为DK x DK ，忽略偏执b。（输入的通道数为M，尺寸为DF x DF ，输出通道数为N，卷积核大小为DK x DK ，g为组数，忽略偏执b。，该卷积可以增大特征图的感受野。（其中W1为输入矩阵大小，K为卷积核大小，P为向外填充的参数，S为步长，a为膨胀率，W2为输出的矩阵大小）
DW卷积、PW卷积、转置卷积、膨胀卷积（空洞卷积）、可变形卷积一次看个够
HHHAOA的博客
11-05 7125
DW卷积操作中，每一个卷积核是只负责一个通道的，这与普通卷积一个卷积核负责几个通道是不一样的。比如一个5*5*3的彩色图片作为输入，使用普通卷积那么卷积核就可以设置为3*3*n（n为输出通道数），而DW卷积则为3*3*3（卷积核的数量要与输入通道数量一致），所以一个卷积核只能负责一个通道。转置卷积也被人叫做反卷积或者逆卷积，其实正确的叫法就是转置卷积，并不是卷积之后通过转置卷积再得到原来的特征图，转置卷积所得到的上采样特征图中的数值与原特征图并不一样，所以反卷积或者逆卷积的叫法是不好的。
深度学习网络结构笔记----Depthwise卷积与Pointwise卷积--深度可分卷积-- GoogleNet，Xception，MobileNetv1--v3
YOULANSHENGMENG的博客
11-05 4510
1，常规卷积操作 对于一张5×5像素、三通道彩色输入图片（shape为5×5×3）。经过3×3卷积核的卷积层（假设输出通道数为4，则卷积核shape为3×3×3×4），最终输出4个Feature Map，如果有same padding则尺寸与输入层相同（5×5），如果没有则为尺寸变为3×3。 Depthwise Separable Convolution是将一个完整的卷积运算分解为两步进行，即Depthwise Convolution与Pointwise Convolution。...
卷积总结篇（普通卷积、转置卷积、膨胀卷积、分组卷积和深度可分离卷积）
caip12999203000的博客
09-08 9838
卷积总结篇（普通卷积、转置卷积、膨胀卷积、分组卷积和深度可分离卷积），分别从概念、背景、原理、参数量、计算量、感受野、各种卷积的优点以及在网络的应用展开讲解。
常规卷积，DW卷积和PW卷积的区别
xiaobaizaza_Ry的博客
07-17 1万+
常规卷积，DW卷积和PW卷积的区别 转载于卷积神经网络中的Separable Convolution 卷积神经网络在图像处理中的地位已然毋庸置疑。卷积运算具备强大的特征提取能力、相比全连接又消耗更少的参数，应用在图像这样的二维结构数据中有着先天优势。然而受限于目前移动端设备硬件条件，显著降低神经网络的运算量依旧是网络结构优化的目标之一。本文所述的Separable Convolution就是降低卷积运算参数量的一种典型方法。 常规卷
卷积基础知识总结
m0_56192771的博客
06-29 3563
卷积层是卷积神经网络中的核心模块，**卷积层的目的是提取输入特征图的特征，**如下图所示，卷积核可以提取图像中的边缘信息。卷积也成为过滤器，即Filter。
常见的卷积
adhkcnbk的博客
08-29 1300
深度学习常见卷积
CNN卷积神经网络基础知识
weixin_42454048的博客
03-17 3425
①. 保护位置信息，奇数卷积核的中心点位置在中心，有利于定位任务。②. padding时左右对称。①. 两个3x3卷积核的感受野与一个5x5卷积核的感受野相同②. 两个3x3卷积核的参数量为3x3x2=18，而一个5x5卷积核的参数量为5x5=25。③. 两个3x3卷积核比一个5x5卷积核多进行了一次非线性（卷积层后面通常接激活层）。
各种卷积的流程和优缺点
weixin_43112053的博客
10-18 1万+
卷积
卷积神经网络
qq2844509367的博客
08-28 312
卷积就是特征提取器，就是CBAPD认识：卷积就是Sequential内部的操作，对特征进行提取，提醒：CBAPD不一定要求全部都有。C Conv2D(filters=6, kernel_size=(5, 5), padding='same'), # 卷积层B BatchNormalization(), # BN层A Activation('relu'), # 激活层P MaxPool2D(pool_size=(2, 2), strides=2, padding='same'), # 池化层。
直观理解卷积
发狂的小花的博客
03-01 1174
从数学上讲，卷积就是一种运算。 某种运算，能被定义出来，至少有以下特征： 1.首先是抽象的、符号化的 2.其次，在生活、科研中，有着广泛的作用
普通卷积、转置卷积、空洞卷积（dilated convolution、Atrous Convolution）
胡侃有料的博客
04-22 978
every blog every motto: We would rather reuse an active dwarf than a sleeping giant. 0. 前言 1. 正文 1.1 基础概念辨析 1. 普通卷积Conv2D 结果/作用： 特征图大小不变或缩小。 参考文章1 参考文章2 2. 转置卷积Conv2DTranspose 结果/作用： 特征图变大（上采样） 简要概括： 输入特征图中间填充0 参照文章3 3. 空洞卷积Dilated/Atrous Convolution 结果
卷积神经网络（CNN）超详细介绍
weixin_44021149的博客
03-22 5万+
文章转自：https://blog.csdn.net/jiaoyangwm/article/details/80011656 文章目录 1、卷积神经网络的概念2、 发展过程3、如何利用CNN实现图像识别的任务4、CNN的特征5、CNN的求解6、卷积神经网络注意事项7、CNN发展综合介绍8、LeNet-5结构分析9、AlexNet10、ZFNet10.1 意义10.2 实现方法10.3 训练细节10.4 卷积网络可视化10.6 总结 11、VGGNet11.1 结构11.2 网络特点：11.3 分
最容易理解的对卷积(convolution)的解释
热门推荐
bitcarmanlee的博客
01-25 30万+
啰嗦开场白读本科期间，信号与系统里面经常讲到卷积(convolution)，自动控制原理里面也会经常有提到卷积。硕士期间又学了线性系统理论与数字信号处理，里面也是各种大把大把卷积的概念。至于最近大火的深度学习，更有专门的卷积神经网络(Convolutional Neural Network, CNN)，在图像领域取得了非常好的实际效果，已经把传统的图像处理的方法快干趴下了。啰啰嗦嗦说了这么多卷积，惭
通俗易懂的理解卷积
Sylvia136655的博客
07-18 9005
通俗易懂的理解卷积在图像上的运用 先来看一个例子： 有这么一副图像，可以看到，图像上有很多噪点 高频信号，就好像平地耸立的山峰：看起来很显眼。平滑这座山峰的办法之一就是，把山峰刨掉一些土，填到山峰周围去。用数学的话来说，就是把山峰周围的高度平均一下。 由此，我们可以把图片转换成矩阵 然后用下面这个平均矩阵（说明下，原图的处理实际上用的是正态分布矩阵，这里为了简单，就用了算术平均矩阵）来平滑图像 比如我要平滑a1,1 点，就在矩阵中，取出a1,1 点附近的点组成矩阵f，和 g进行卷积计算后，再填回去：
几种卷积
星月夜话
07-07 609
1、常规卷积： 需要的参数量：Cin​×K×K×Cout 2、分组卷积： 分组卷积需要的计算量 ：Cin​×K×K×Cout​ / g 3、深度可分离卷积(Depthwise Separable Convolution): 要的计算量：Cin​×K×K+Cout​×1×1 3.1 深度可分离卷积的过程 而应用深度可分离卷积的过程是①用16个3×3大小的卷积核（1通道）分别与输入的16通道的数据做卷积（这里使用了16个1通道的卷积核，输入数据的每个通道用1个3×3的卷积核卷...
29年历程：深度卷积神经网络的发展与应用概述
卷积神经网络(CNN)是一种深度学习架构，自1989年Yann LeCun首次提出以来，经历了显著的发展和优化。从最初的简单网络用于手写字符识别，到如今在机器视觉、自然语言处理和计算机图形学等多个领域取得显著成就，CNN已...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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