关于卷积神经网络特征的简单计算详解,求到小数怎么取值?可以参照解释

题目:输入图片大小为200乘200,依次经过一层卷积(kernel size 5乘5, padding 1,stride 2),pooling(kernel size 3乘3, padding 0,stride 1),又一层卷积(kernel size 3乘3, padding 1,stride 1)之后,输出特征图大小为多少?
1.计算公式:
在这里插入图片描述
2.分析计算:
蓝色是原图:200乘200大小,空白处为零填充后,变为202乘202
棕色是卷积核:5乘5大小,步长2,padding1
第一层计算:
得到小数,取大还是取小根据步长和padding判断:
在这里插入图片描述
第二层计算:
根据第一层卷积后的输出值99,作为输入,
棕色是卷积核:3乘3大小,步长1,padding0(没有填充)

  • 1
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络(CNN)是深度学习中应用最成功的领域之一。它包括一维、二维和三维卷积神经网络。一维卷积神经网络主要用于序列型数据的处理,二维卷积神经网络常用于图像文本的识别,而三维卷积神经网络主要应用于医学图像和视频数据的识别。 卷积神经网络的结构包括卷积层和池化层。在卷积层中,每个神经元只与部分邻层神经元连接,而不是与所有神经元连接。卷积层中通常包含多个特征图,每个特征图由矩形排列的神经元组成,同一特征图中的神经元共享权值。这里的权值就是卷积核。通过学习训练,卷积核将获得合理的权值。卷积核的共享权值减少了层与层之间的连接,并降低了过拟合的风险。同时,池化层,也称为子采样层,也可以看作一种特殊的卷积过程。池化层进一步简化了模型的复杂度,并减少了模型的参数。 卷积神经网络的基本原理可以归结为以下几点: 1. 特征提取:通过卷积层和池化层来提取输入数据的特征。 2. 分类和预测:通过全连接层将特征映射到输出类别,实现分类和预测。 卷积神经网络有许多经典模型,其中包括: 1. LeNet:最早用于数字识别的CNN。 2. AlexNet:在2012年的ILSVRC比赛中远超第2名的CNN,比LeNet更深,使用多层小卷积层叠加替代单大卷积层。 3. ZF Net:在2013年的ILSVRC比赛中获得冠军。 4. GoogLeNet:在2014年的ILSVRC比赛中获得冠军。 5. VGGNet:在2014年的ILSVRC比赛中的模型,在图像识别上略逊于GoogLeNet,但在许多图像转化学习问题上效果非常好。

“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