卷积神经网络知识碎片
卷积神经网络中的卷积层通过卷积核(滤波器)在输入矩阵上不断滑动计算得到输出。
计算过程中的参数含义如下:
卷积核大小f
就是卷积核的矩阵大小,一般选择33或55。经验验证,3和5是最佳的大小。
边界填充p(padding)
若不对输入矩阵进行填充,经过卷积核计算后的输出矩阵会不断减小,这样在几次卷积之后,输出矩阵可能无法进行下一步运算。所以要维持矩阵在运算过程中大小不变,可以对矩阵做填充,将矩阵周围全部在包围一层。如原始矩阵为55,上下左右各加1,相当于5+1+1=7,这时,计算结果还是55。
步长s
卷积核每次运算后在输入矩阵上滑动的距离称为步长。
输出矩阵计算公式
输
出
矩
阵
大
小
=
n
−
f
+
2
p
s
+
1
输出矩阵大小 = \cfrac{n - f + 2p}s + 1
输出矩阵大小=sn−f+2p+1
n为输入矩阵的大小。
池化层
池化层的输出大小公式也与卷积层一样,由于没有进行填充,所以p=0。
输
出
矩
阵
大
小
=
n
−
f
s
+
1
输出矩阵大小 = \cfrac{n - f }s + 1
输出矩阵大小=sn−f+1