李沐《动手学习深度学习》之卷积神经网络---超参数

1. 卷积的两个超参{填充、步幅}

2. input 33*32，应用5*5的kernel,输出会减少4*4,所以输出变为28*28

每一层的卷积是的输出大小编程n-5+1,每卷积一次，宽高的维度就会减少4，

使用更大的卷积层会更快的减少输出的大小

一般来讲，我们使用卷积层，是想要加深网络的深度，如何才能使网路的深度增加？

一、padding

在输入的宽和高 周围加入额外的行/列，控制输出形状的减少量

填充Ph行和Pw列，输出形状为：

（Nh-Kh+Ph+1）*(Nw-Kw+Pw+1)

我们通常取Ph=Kh-1,Pw=Kw-1 这样保证了我们的输入和输出是一致的

二、步幅：指的是行/列的滑动步长，成倍的减少输出形状的大小

***一般我们去卷积Kernel为5*5 / 3*3****

给定的高度Sh和宽度Sw的步幅，输出形状 [(Nh-Kh+Ph+Sh)/Sh] * [(Nw-Kw+Pw+Sw)/Sw]

向下取整

三、卷积的三个参数的影响因子

核的大小 > 填充 > 步幅