10 卷积神经网络练习 - 卷积神经网络 [Deep Learning Specialization系列]

本文是Deep Learning Specialization系列课程的第4课《Convolutional Neural Networks》中Convolutional Neural Networks练习部分的学习笔记。

本文主要是通过NumPy来一步步实现卷积运算(Convolutional layer)和池化运算(Pooling layer)部分。具体包括:

  1. 填充
  2. 一个窗口的卷积运算
  3. 完整的卷积运算
  4. 池化运算

卷积运算

1. 卷积运算

1.1 填充

填充有两个好处:

  1. 能保证卷积神经网络的大小不变,以应用很深的网络
  2. 在运算中保留更多的处于边缘的信息

填充的原理如图所示:
pad

在填充的运算中,我们可以直接使用NumPy提供的 np.pad 函数。比如,要对形状为(5, 5, 5, 5, 5)的a数组,将其第二维填充pad=1,第四维填充pad=3,其他维度不做填充(pad=0),其表达式为:
a_pad = np.pad(a, ((0, 0), (1, 1), (0, 0), (3, 3), (0, 0)), mode = 'constant', constant_values = (0, 0))

在我们的例子中,输入数据X的维度为(m, n_h, n_w, n_c),我们只对图片的高、宽进行填充,最终填充的结果维度为(m, n_h + 2*pad, n_w + 2*pad, n_c)。其具体实现为:

def zero_pad(X, pad):
    X_pad = np.pad(X, ((0, 0), (pad, pad), (pad, pad), (0, 0)), mode='constant', constant_values = (0, 0))
    return X_pad

1.2 一个窗口的卷积运算

在卷积运算中,我们是需要将滤波器与输入数据进行叠加运算,并根据步长来移动窗口,最后得到卷积运算后的结果,具体如下图所示:
conv

我们这里先来实现一个窗口的卷积运算,即将滤波器叠加到输入图像,相乘后求和得到的结果,这里没有滤波器窗口的移动。这里a_slice_prevW的尺寸相同,都为(f, f, n_c_prev)

def conv_single_step(a_slice_prev, W, b):
    s = np.multiply(a_slice_prev, W)
    Z = np.sum(s) 
    Z = Z + b
    return Z

1.3 卷积运算

下面,就要将滤波器窗口移动起来了,这里就需要用到我们前面学到的关于第l层各参数的知识了:

  • 权重: ( f [ l ] , f [ l ] , n c [ l − 1 ] ) ∗ n c [ l ] (f^{[l]}, f^{[l]}, n_c^{[l-1]}) * n_c^{[l]} (f[l],
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

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
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