![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
cv面试题
wang421289706
这个作者很懒,什么都没留下…
展开
-
深度可分离卷积(depthwise separable convolution)
先逐层卷积 再逐像素卷积 举个例子,假设有一个3×3大小的卷积层,其输入通道为16、输出通道为32。 那么一般的操作就是用32个3×3的卷积核来分别同输入数据卷积,这样每个卷积核需要3×3×16个参数,得到的输出是只有一个通道的数据。之所以会得到一通道的数据,是因为刚开始3×3×16的卷积核的每个通道会在输入数据的每个对应通道上做卷积,然后叠加每一个通道对应位置的值,使之变成了单通道,那么32个卷积核一共需要(3×3×16)×32 =4068个参数。 而应用深度可分离卷积的过程是①用16个3×3..原创 2020-12-31 10:31:49 · 463 阅读 · 0 评论 -
group conv
最早见于AlexNet——2012年Imagenet的冠军方法,Group Convolution被用来切分网络,因为内存限制, 使其在2个GPU上并行运行 参数量减少为原来的1/G原创 2020-12-31 10:31:18 · 184 阅读 · 0 评论 -
cnn层
参数量:单层卷积层总参数=卷积核个数*(卷积核尺寸+偏置项) 计算量: 输出尺寸: 实现方法: 把feature按patch 扩展成矩阵, 将filter也复制权值扩展到矩阵 进行矩阵乘法原创 2020-12-31 10:30:48 · 83 阅读 · 0 评论 -
池化层
https://zhuanlan.zhihu.com/p/88985074原创 2020-12-31 10:30:10 · 86 阅读 · 0 评论