- 步长:在卷积神经网络中,步长指的是卷积核在输入数据上移动的步数。例如,步长为1意味着卷积核每次移动一步,步长为2意味着卷积核每次移动两步。
- 填充:在卷积神经网络中,填充是指通过向输入数据的边缘添加额外的“0”来保持空间维度。这样可以让卷积核处理边缘像素,并保持输出的空间维度不变。
- 感受野:感受野是神经网络中某一层的神经元对原始输入数据的感知范围。简单地说就是每个神经元能看到的输入数据的区域大小。
- 局部感知:局部感知意味着在卷积神经网络中,每个神经元只与输入数据的一个小区域相连,这使得神经网络能够捕捉到局部的特征。
- 权值共享:权值共享是卷积神经网络中的一个重要特性,同一层的所有神经元共享同一组权重。这大大减少了模型的参数数量,提高了计算效率,同时也帮助模型在不同位置检测相同的特征。
- 池化:池化也叫子采样或降采样,是一种减小卷积神经网络中数据维度的方法,通常通过计算某一窗口内的最大值(最大池化)或平均值(平均池化)来实现。这有助于提高模型的空间不变性,并减少计算复杂度。
- 低级特征、中级特征、高级特征:用来描述神经网络模型中不同层级的特征。低级特征通常指的是基本的边缘、色彩和纹理等信息。中级特征通常是由低级特征组合而成,如简单的形状和模式。高级特征则是由中级特征进一步组合而成,如物体的部分或整体。在深度神经网络中,从输入向输出层方向,神经元所提取并表示的特征从低级到高级,逐渐提高抽象层次。例如,在图像识别任务中,网络的前几层可能会提取出边缘和纹理等低级特征,中间层可能会提取出部分形状和特定模式等中级特征,而靠近输出层的神经元可能会提取出更为复杂、更具有区分性的高级特征,如整个物体的形状或特定的物体部分。
【22-23 春学期】AI作业8-卷积2
最新推荐文章于 2024-07-17 21:40:42 发布