VGG使用33小滤波器卷积层代替55或7*7的大滤波器卷积层以减少参数。

最新推荐文章于 2023-02-27 21:45:39 发布

plastic time

最新推荐文章于 2023-02-27 21:45:39 发布

阅读量3.3k

点赞数

文章标签： cnn 深度学习神经网络人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_45887419/article/details/121865748

版权

本文解释了VGG神经网络通过使用多个小尺寸（如3*3）的卷积层替代大尺寸（如7*7）滤波器，如何显著降低参数量。通过滑动窗口示例，展示了这种结构如何保持信息提取效率。关键在于小滤波器多次观察相当于大滤波器一次性观察，从而减少了权重参数的数量。

摘要由CSDN通过智能技术生成

首先从卷积计算原理着手，一个5*5的输入，经过一个3*3的滤波器滑动9次，输出一个3*3的数据。输出数据的每个元素都对应5*5的9个窗口，再在输出的3*3数据上使用一个3*3的滤波器，可以得到一个数据，对应的是上一个3*3数据。可见，最后得到的数据是两次观察5*5数据得到的，与用5*5的滤波器观察一次数据可以到达到同样的效果。

VGG就使用此思想，用小滤波器卷积层代替大滤波器卷积层，那为什么这样会减少参数量呢？

原文如下：

为了便于理解，用 $C_{in}$ 代表输入通道数， $C_{out}$ 代表输出通道数。输入通道数和滤波器通道数相同，首先用3*3的卷积核滑动25次生成一个5*5的输出数据，对一个input，卷积核不变，所以参数到目前为 $C_{in}$ *3*3。再用一个3*3的卷积核滑动9次，生成一个3*3的数据，到这参数为 $C_{in}$ *3*3*2。然后用一个3*3的卷积核覆盖，参数量变为

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。