卷积神经网络的padding（四）

已于 2022-07-13 20:01:26 修改
阅读量258 收藏
点赞数
分类专栏： 深度学习 文章标签： cnn 大数据 人工智能
于 2022-07-13 19:35:09 首次发布
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/monk96/article/details/125771078
版权

边界填充

  • 弥补边缘点计算次数比中间少引起的边缘误差，使得边界点变成中间点在这里插入图片描述

计算公式

在这里插入图片描述

参数共享

  • 每个特征图的参数都是一样的，如10 * 55 * 3 有十个特征图参数，即每个特征用3层rgb提取， 所以参数总共 55*3 *10 = 750 个参数
  • 加上b的偏置项目， 10个特征有10个 所以总共参数为760个在这里插入图片描述

池化

  • 对每个特征图进行压缩，也叫压缩层，下采样。
  • 不改变特征图个数
  • 在这里插入图片描述
东哥爱编程
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
卷积神经网络~设置padding和stride
fatfairyyy的博客
05-22 2772
更多边缘检测内容 下图所示的是垂直边缘检测的例子： 如果，这张图片被翻转了，即，使暗面在左，亮面在右，这对输出会造成什么影响？ 运算结果发生了变化，过滤器得到的计算值变成了-30。输出的结果表明，-30 --> 0 是由暗到亮的过渡而非由亮到暗的过度。如果实验的结果不在乎二者的区别，那么可以直接对输出的卷积矩阵中的值取绝对值。但这种过滤器确实可以区别两种明暗的变化。 水平垂直检测 注：对于垂直边缘检测，矩阵的第一列为1，而最后一列为-1，因此它进行卷积计算的结果会使左边较亮而右边相对较暗。 相
Padding（填充） ——卷积神经网络（CNN）
最新发布
m0_74042340的博客
11-27 2729
在多次卷积操作中，如果不使用填充，每次卷积都会导致输出尺寸减小，最终可能使得图像的边缘信息丢失得很快。通过适当的填充，可以减缓尺寸的减小，避免信息丢失过快。是卷积神经网络（CNN）中的一个概念，它是指在输入图像的周围增加额外的边界，以便在卷积操作中更好地处理图像边缘的信息。填充通常使用零值进行填充。在进行卷积操作时，卷积核在图像边缘处可能无法完全覆盖，导致输出图像尺寸缩小。通过填充，可以确保卷积核能够涵盖图像的边缘，从而保留更多的信息。使用填充可以减缓图像尺寸的减小，有助于在深层网络中保持足够的感受野。
神经网络基础-神经网络补充概念-59-padding
CSDNXXCQ的博客
08-18 1022
在深度学习中，“padding”（填充）通常是指在卷积神经网络（Convolutional Neural Networks，CNNs）等神经网络层中，在输入数据的周围添加额外的元素（通常是零），以调整输入数据的尺寸或形状，从而影响输出的尺寸。常见的填充方式包括 “valid”（无填充）、“same”（保持尺寸不变，使用零填充）和 “full”（完全填充，通常用于全卷积网络）。填充可以分为两种常见的类型：零填充（Zero Padding）和边界填充（Border Padding）。
对于 CNN 卷积网络的理解——Padding 的两种方式
weixin_40267373的博客
05-03 3206
TensorFlow—Conv2D padding 问题导言1. Padding='VALID'2. Padding='SAME'2.1. 2x2 大小的卷积核2.2. 3x3 大小的卷积核2.3. 4x4 大小的卷积核3. 对齐方式不同 导言 最近在看卷积神经网络（CNN）的时候，遇到了 padding 这个属性（补全方式），查了很多资料，发现目前网上讨论的大都是padding之后输出张量大小如...
关于卷积神经网络的填充（padding）
Garson的博客
11-07 1158
随着卷积层数的加深，输出进一步缩小，那么最终会导致输出很快就只剩下1∗1的数组，这也就没办法继续计算了，所以提出了填充的方法来方便网络的进一步加深。1379在进行的四次卷积运算中，只被计算了一次，所以卷积学习的不充分，填充就是让卷积网络能够将边缘的角落也能多次学习，从而更全面地发现特征。填充的方法就是在输入的高和宽两侧分别填充了0元素，再进行卷积运算。
卷积神经网络.pptx
03-31
卷积神经网络（Convolutional Neural Networks，CNN） 卷积神经网络（CNN）是一种深度学习算法，能够自动提取图像中的特征，广泛应用于计算机视觉、自然语言处理、语音识别等领域。CNN 的架构主要包括卷积层、池化...
PythonCNN卷积神经网络代码实现
04-19
PythonCNN卷积神经网络代码实现 本文的主要内容是使用Python和TensorFlow实现卷积神经网络（CNN）的代码实现。卷积神经网络是一种常用的深度学习算法，广泛应用于图像识别、物体检测、自然语言处理等领域。本文将...
卷积神经网络之卷积
01-06
本节课我们将会详细的介绍一下卷积神经网络的运算流程， 首先我们来看一下对于2d的图片数据它是怎么进行卷积运算的？比如说对于这里的image，我们把它起了个名字叫做image函数，他俩坐标是x和y坐标分别代表了这个x...
卷积神经网络CNN以及几种经典模型
01-07
卷积神经网络是由一个或多个卷积层和顶端的全连通层（也可以使用1×1的卷积层作为最终的输出）组成的一种前馈神经网络 基本概念 局部感受野(Local Receptive Fields) 一般的神经网络往往会把图像的每一个像素点连接...
TensorFlow实现卷积神经网络CNN
12-25
一、卷积神经网络CNN简介 卷积神经网络（ConvolutionalNeuralNetwork，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个...
卷积神经网络中的卷积核、padding和pooling
zeng_haoyu的博客
04-03 7754
    首先贴一下原文：https://www.zhihu.com/question/22298352    本想自己写一下卷积核是怎么进行卷积操作的，但是发现上文中讲述的很好，这里就直接转过来。我在这里补充一下padding和pooling也就是填充层和池化层。    padding的用途：保持边界信息，如果不加padding层的话，最边缘的像素点信息只会卷积核被扫描到一次，但是图像中间的像素点...
tensorflow中的卷积神经网络的padding的两种方式
mos1896的博客
02-26 396
简介 卷积之后的尺寸大小计算公式为： 输入图片大小 W×W Filter大小 F×F 步长strides S padding的像素数 P 输出大小为NxN 长宽不等时，卷积之后的计算公式也是如此，只需分别计算即可。 在实际操作时，我们还会碰到 padding的两种方式 “SAME” 和 “VALID”，padding = “SAME”时，会在图像的周围填 “0”，padding = “VALI...
CNN基础知识笔记
zxmyoung的博客
10-24 1万+
1. 卷积神经网络的概念 上世纪60年代，Hubel等人通过对猫视觉皮层细胞的研究，提出了感受野这个概念，到80年代，Fukushima在感受野概念的基础之上提出了神经认知机的概念，可以看作是卷积神经网络的第一个实现网络，神经认知机将一个视觉模式分解成许多子模式（特征），然后进入分层递阶式相连的特征平面进行处理，它试图将视觉系统模型化，使其能够在即使物体有位移或轻微变形的时候，也能完成识别。 卷积神经网络是多层感知机（MLP）的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算
m0_54487331的博客
01-20 1万+
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算1. stride步幅2. padding填充3. channel通道4. 计算及例子总结： 1. stride步幅 stride：卷积时的采样间隔 设置步幅的目的是希望减小输入参数的数目，减少计算量。stride参数的值就是缩小的倍数，比如步幅为2，就对输入的特征图做2倍下采样，注意步幅并不代表输出时输入的1stride\frac{1}{stride}stride1​ 2. padding填充 padding：在输入特
详解卷积神经网络(CNN)
热门推荐
qq_25762497的博客
04-04 25万+
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
常见的卷积神经网络
刘唐的博客
12-26 6541
LeNet开山之作！ 一共七层。2层卷积、2层池化、3层全连接class Lenet(nn.Module): def __init__(self): super(Lenet, self).__init__() layer1 = nn.Sequential() layer1.add_module('conv1', nn.Conv2d(1, 6,
卷积的padding操作
m0_68041978的博客
07-26 1723
1）在不使用padding的情况下，每次卷积后的图片会越变越小。比如初始图片大小为6*6（n*n），过滤器大小为3*3（f*f)，则卷积后的矩阵大小为4*4（n-f+1)*(n-f+1)。比如在原始图像周围加上一层像素点（p=1），则卷积后的图片大小为6*6(n+2*p-f+1)*(n+2*p-f+1)。则有n+2p-f+1=n,则有p=(f-1)/2。（2）如果不使用padding,四个角上的像素点只参与一次卷积运算，而最中间的像素点会参加多次运算。(3)也可以按自身需求指定p的大小。......
[DeeplearningAI笔记]卷积神经网络1.4-1.5Padding与卷积步长
遗世独立的乌托邦
07-19 972
4.1卷积神经网络 觉得有用的话,欢迎一起讨论相互学习~Follow Me 1.4Padding 一张6∗66∗66*6大小的图片，使用3∗33∗33*3的卷积核设定步长为1，经过卷积操作后得到一个4∗44∗44*4的图像。 特征图大小公式 设定原始图像大小为n∗nn∗nn*n,卷积核大小为f∗ff∗ff*f，则经过卷积操作后特征图大小为(n−f+1)∗(n−f+1)(...
keras卷积补零相关的border_mode的选择以及padding的操作
lujiandong1的专栏
02-08 2万+
1、keras卷积操作中border_mode的实现 def conv_output_length(input_length, filter_size, border_mode, stride): if input_length is None: return None assert border_mode in {'same', 'valid'} if
卷积神经网络padding=1
05-12
卷积神经网络中的padding是指在输入特征图的周围添加一圈0值像素，以便于卷积核能够在特征图的边缘也能够进行卷积操作。padding=1表示在输入特征图的周围添加一圈宽度为1的0值像素。这样做的好处是可以保持特征图的...

“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

打赏作者

东哥爱编程

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