卷积层参数详解

import torch


# n是4 输入维度 图片大小 5*5
input=torch.randn((4,3,5,5))

# 输入维度 输出维度 卷积核大小
y=torch.nn.Conv2d(3,2,3)
print(y(input))

# 得到3*3的图片,输出维度是2,有四组
import tensorflow as tf
import keras

# 可以指定卷积核大小
# 指定输出的维度,这里是2
# 指定图片大小

# n=4 图片大小 5*5 输入通道
input_shape=(4,5,5,3)
x=tf.random.normal(shape=input_shape,mean=0)
# 输出维度2 卷积核大小 3
y=keras.layers.Conv2D(2,3,activation="relu",input_shape=input_shape[1:])
print(y(x))
# 得到 3*3的图片,输出空间维度是2 有四组

(4, 3, 3, 2)

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
CNN卷层是深度学习中非常重要的一部分,其主要参数包括卷核、填充、滑动步长、池化核和通道数。具体解释如下: 1. 卷核:卷核是CNN中最重要的参数之一,它是一个小的矩阵,用于在输入图像上进行滑动卷操作。卷核的大小通常是正方形,例如3x3或5x5。在卷操作中,卷核会对输入图像的每个像素进行卷计算,从而生成输出特征图。 2. 填充:填充是指在输入图像的边缘周围添加一些像素,以便在进行卷操作时能够保留输入图像的边缘信息。填充可以分为两种类型:valid和same。valid表示不进行填充,same表示进行填充,使得输出特征图的大小与输入图像的大小相同。 3. 滑动步长:滑动步长是指卷核在输入图像上滑动的步长。通常情况下,滑动步长的大小与卷核的大小相同,例如3x3的卷核通常使用步长为1的滑动步长。 4. 池化核:池化核是用于对输入特征图进行下采样的一种操作。常见的池化操作包括最大池化和平均池化。最大池化会选取输入特征图中每个小区域的最大值作为输出,而平均池化则会选取输入特征图中每个小区域的平均值作为输出。 5. 通道数:通道数是指输入特征图和输出特征图的数量。在CNN中,每个卷核都会生成一个输出特征图,因此输出特征图的数量等于卷核的数量。同时,输入特征图的数量也可以通过增加通道数来实现。

“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 1
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

打赏作者

deep_Miner

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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