卷积——一维卷积、二维卷积、三维卷积、深度可分离卷积

概述

不同维度的卷积实际上是卷积核的自由度不同,一维卷积卷积核只能在长度方向上进行滑窗操作,二维卷积可以在长和宽方向上进行滑窗操作,二维卷积可以在长、宽以及channel方向上进行滑窗操作。
一个卷积核运算一次得到一个值,output channel取决于卷积核的个数。

一维卷积

二维卷积

在卷积操作中我们只能限制卷积核的维度,卷积核的参数均是根据网络自主学习到的。
在这里插入图片描述

二维单通道卷积

在这里插入图片描述

二维多通道卷积

在这里插入图片描述

三维卷积

三维单通道卷积

这里的三维输出不是多通道导致的,而是由于卷积核在第三个维度上进行滑窗得到的(对于视频信号可能是视频的长度)。
在这里插入图片描述

三维多通道卷积

三维多通道的卷积核也是三维的,因此三维数据不同channel上权重是相同的,这点和二维多通道卷积不同。

在这里插入图片描述

深度可分离卷积

常规卷积

在这里插入图片描述

深度可分离卷积

在这里插入图片描述
在这里插入图片描述
参数对比
回顾一下,常规卷积的参数个数为:
N_std = 4 × 3 × 3 × 3 = 108

Separable Convolution的参数由两部分相加得到:
N_depthwise = 3 × 3 × 3 = 27
N_pointwise = 1 × 1 × 3 × 4 = 12
N_separable = N_depthwise + N_pointwise = 39

相同的输入,同样是得到4张Feature map,Separable Convolution的参数个数是常规卷积的约1/3。因此,在参数量相同的前提下,采用Separable Convolution的神经网络层数可以做的更深

参考链接

理解卷积
深度可分离卷积

  • 2
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值