深度学习stride_Deeplearning.ai卷积神经网络( 1.5 卷积步长Stride相关概念)

最新推荐文章于 2023-06-22 11:00:30 发布
VIP文章 最新推荐文章于 2023-06-22 11:00:30 发布
阅读量1.4k 收藏
点赞数
文章标签： 深度学习stride
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/weixin_34493203/article/details/111892710
版权

0、前言

打算对吴恩达老师的Deeplearning课程做一个笔记回顾，大体整理思路为吴老师课堂内容和个人理解，非常基础无难点，重在备忘分享，大神勿喷！

一、Stride概念和使用原因

卷积过程中，有时需要通过填充来避免信息损失，有时也要在卷积时通过设置的步长(Stride)来压缩一部分信息。因此卷积中的步幅是另一个构建卷积神经网络的基本操作。

Stride表示filter在原图片中水平方向和垂直方向每次的步进长度。之前我们默认stride=1。若stride=2，则表示filter每次步进长度为2，即隔一点移动一次。

二、例子

下面通过课程中的一个例子来说明stride的操作：

我们想用3×3的过滤器卷积这个7×7的图像，和之前不同的是，我们把步幅设置成了2。我们还和之前一样取左上方的3×3区域的元素的乘积，再加起来，最后结果为91。

之前我们移动蓝框的步长是1，现在移动的步长是2，我们让过滤器跳过2个步长，注意一下左上角，这个点移动到其后两格的点，跳过了一个位置。还是将每个元素相乘并求和，我们将会得到的结果是100。

继续往右边移动，将蓝色框移动两个步长，你将会得到83的结果：

此时需要注意的是，当我们移动到下一行的时候，我们还是是使用步长2而不是步长1，所以我们将蓝色框移动到这里：计算得

最低0.47元/天 解锁文章
苗伟杰
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像处理中的深度卷积神经网络
01-20
输出尺寸（oho_hoh​,owo_wow​）与输入尺寸（nhn_hnh​,nwn_wnw​）、核尺寸（khk_hkh​,kwk_wkw​）、padding（php_hph​,pwp_wpw​）和stride（sws_wsw​,shs_hsh​）的关系 oh=(nh+ph−kh+sh)/show=(nw+pw−kw+sw)/sw o_h=(n_h+p_h-k_h+s_h)/s_h \\ o_w=(n_w+p_w-k_w+s_w)/s_w oh​=(nh​+ph​−kh​+sh​)/sh​ow​=(nw​+pw​−kw​+sw​)/sw​ 这里的php_hph​,pwp_wpw​表示两侧pad
vivado2019.2平台中通过verilog实现CNN卷积神经网络包括卷积层,最大化池化层以及ReLU激活层+操作视频
06-07
1.领域：FPGA，CNN卷积神经网络 2.内容：题目，vivado2019.2平台中通过verilog实现CNN卷积神经网络包括卷积层,最大化池化层以及ReLU激活层+操作视频 3.用处：用于CNN卷积神经网络算法编程学习 4.指向人群：本科，硕士，博士等教研使用 5.运行注意事项： 使用vivado2019.2或者更高版本测试，用软件打开FPGA工程，然后参考提供的操作录像视频跟着操作。 工程路径必须是英文，不能中文。
pytorch 学习笔记 part8 卷积神经网络基础
01-20
卷积层的实现 主要参数： 1.in_channels (python:int) – Number of channels in the input imag 2.out_channels (python:int) – Number of channels produced by the convolution 3.kernel_size (python:int or tuple) – Size of the convolving kernel 4.stride (python:int or tuple, optional) – Stride of the convolution. Defaul
深度学习基础（四）—— 神经网络各层的意义
01-06
1 卷积层 稀疏交互：减少时间复杂度，提高运算时间。 参数共享： 降低模型参数的存储需求，提高统计效率。 参数共享的特殊形式使得神经网络层具有对平移等变（equivariance）的性质 1.1 卷积神经网络的感受野 1.1.1 感受野的概念 感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小 1.1.2 感受野的计算 第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小 计算感受野大小时，忽略了图像边缘的影响，不考虑padding的大小 strides的概念 stride（i\uff09=
小结5：卷积神经网络基础、LeNet、卷积神经网络进阶
01-07
文章目录卷积神经网络基础二维卷积层padding以及stride对特征图影响stridekernel参数LeNetLeNet结构图卷积神经网络进阶AlexNetVGGNiN(network in network)GoogleNet 卷积神经网络基础 本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 二维卷积层 本节介绍的是最常见的二维卷积层，常用于处理图像数据。 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）
深度学习入门基础CNN系列——填充（padding）与步幅（stride）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
01-17 2705
1。卷积输出特征图的尺寸计算方法如下（卷积核的高和宽分别为kh和kwk_h和k_wkh​和kw​）:HoutH−kh1WoutW−kw1Hout​H−kh​1Wout​W−kw​12。当宽和高的步幅分别为sh和sws_h和s_wsh​和sw​HoutH2ph−khsh1WoutW2pw−kwsw1Hout​s。
深度学习stride_深度学习之二
weixin_42523552的博客
12-28 1757
本周第一课，处理多维特征的输入。一个最后一列表示结果的表格里，横向的行表示样本(数据库中称为：记录)，纵向的列表示特征(数据库中称为：字段)。回归模型变化：神经网络：代码分析：np.loadtxt(fname,dtype=,comments='#', delimiter=None, converters=None,skiprows=0, usecols=N...
动手学深度学习 - 5.2. 填充和步幅
既然选择了远方 便只顾风雨兼程 - 永强
06-15 1208
动手学深度学习 - 5.2. 填充和步幅 动手学深度学习 - Dive into Deep Learning Aston Zhang, Zachary C. Lipton, Mu Li, and Alexander J. Smola https://zh.d2l.ai/ 5.2. 填充和步幅 在上一节的例子里，我们使用高和宽为 3 的输入与高和宽为 2 的卷积核得到高和宽为 2 的输出。一般来说，...
（pytorch-深度学习系列）卷积神经网络中的填充(padding)和步幅(stride)
我亦是行人
10-26 5793
卷积神经网络中的填充(padding)和步幅(stride) 之前写过一篇blog，描述CNN网络层的输入和输入尺寸的计算关系，但是并没有描述的很全面，这里全面描述了影响输出尺寸的两个超参数padding和stride，查阅了相关资料，编码理解了pytorch中CNN网络的输入输出关系。 对于CNN网络，一般来说，假设输入形状是nh×nwn_h\times n_wnh​×nw​，卷积核窗口形状是kh×kwk_h\times k_wkh​×kw​，那么输出形状将会是 (nh−kh+1)×(nw−kw+1).(
CNN中stride（步幅）和padding（填充）的详细理解
我是天才很好
09-09 1万+
步幅：卷积核经过输入特征图的采样间隔 填充：在输入特征图的每一边添加一定数目的行列，使得输出的特征图的长、宽 = 输入的特征图的长、宽 两个参数的核心： 设置步幅的目的：希望减小输入参数的数目，减少计算量。 设置填充的目的：希望每个输入方块都能作为卷积窗口的中心。 在边长=4的输入矩阵各边填充1层，全部填充0，采用边长=3的卷积核，全部卷积核的中心构成原输入。 首先从一个问题入手： 问题：一个尺寸 a*a的特征图，经过b*b的卷积层，步幅（stride）=c，填充（padding）=d， 请计
Pytorch之卷积层的使用详解
12-23
1.简介(torch.nn下的) 卷积层主要使用的有3类，用于处理不同维度的数据 参数 Parameters： in_channels(int) – 输入信号的通道 out_channels(int) – 卷积产生的通道 kerner_size(int or tuple) – 卷积核的尺寸 stride(int or tuple, optional) – 卷积步长 padding (int or tuple, optional)- 输入的每一条边补充0的层数 dilation(int or tuple, `optional“) – 卷积核元素之间的间距 groups(int, optional
深度学习stride_深度学习—池化、padding的理解
weixin_35731754的博客
12-23 3375
1、池化层的理解pooling池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。另外一点值得注意：pooling也可以提供一些旋转不变性。池化层可对提取到的特征信息进行降维，一方面使特征图变小，简化网络计算复杂度并在一定程度上避免过拟合的出现；一方面进行特征压缩，提取主要特征。最大池采样在计算机视觉中的价值体现在两个方面：(1)、它减小了来自上层隐藏层的计算复杂度；(...
LEDNET论文阅读
Nick Blog
12-17 391
LEDNET 用于语义分割的轻量级编码器解码器网络 LEDNET A LIGHTWEIGHT ENCODER-DECODER NETWORK FOR REAL-TIME SEMANTIC SEGMENTATION 论文地址 github代码 1. 摘要 算力负担限制了移动设备中CNN在密集估计任务中的使用。在本文中，我们提出了一个轻量级网络来解决这个问题，即 LEDNet，它采用非对称（asymmetric）编码器 - 解码器架构来进行实时语义分割。更具体地说，编码器采用 ResNet 作为骨干网络，其中
深度学习基础--Stride的理解
热门推荐
wydbyxr的博客
11-07 3万+
Stride的理解   stride其实是图像处理中常用的概念。 解释   一行有 11 个像素(Width = 11), 对一个 32 位(每个像素 4 字节)的图像, Stride = 11 * 4 = 44.   但还有个字节对齐的问题, 譬如:   一行有 11 个像素(Width = 11), 对一个 24 位(每个像素 3 字节)的图像, Stride = 11 * 3 + 3 = 3...
步长（stride） | 填充（padding） | 扩长（dilation）
最新发布
你的问题在于，读书太少而想得太多。
06-22 766
卷积网络中的一些概念！
深度学习stride_深度强化学习成名作——DQN
weixin_39673303的博客
01-07 827
前言：其实很早之前就想开始写写深度强化学习（Deep reinforcement learning）了，但是一年前DQN没调出来，没好意思写哈哈，最近呢无意中把打砖块游戏Breakout训练到平均分接近40分，最高分随便上50（虽说也不算太好，但好歹也体现了DRL的优势），于是就写写吧~提到深度强化学习的成名作，很多人可能会觉得是2016年轰动一时的AlphaGo，从大众来看是这样的，但真正让深度...
深度学习stride_《动手学深度学习》第十三天---填充和步幅
weixin_31480911的博客
12-23 425
在阅读代码的时候就看到了padding和stride两个单词，来深度学习课程详细了解一下他们的作用。填充和步幅是卷积层的两个超参数，通过他们可以改变输出形状。(一)填充padding填充是指在输入的四周添加0元素。比如原输入数组形状是Nh×Nw，卷积核形状是Kh×Kw，那么原输出数组形状就是(Nh-Kh+1)×(Nw-Kw+1)。如果我们对输入数组进行填充高加Ph，宽加Pw，那么新的输出数组形状就...
利用fft计算时域卷积重叠法保留_C3D：使用3D卷积网络学习时空特征
weixin_39559382的博客
11-23 303
文章：Learning Spatiotemporal Features with 3D Convolutional Networks链接：https://arxiv.org/abs/1412.0767v4一个较好的翻译：https://www.jianshu.com/p/09d1d8ffe8a4引言：在上一篇文章中(琪瑞：Large-scale VideoClassification with C...
深度学习笔记（三十）CNN的Padding及卷积步长Stride
Mr.zwX
02-10 1858
文章目录一、直接卷积运算的缺点二、Padding三、两种卷积方式四、卷积步长Stride五、互相关（cross-correlation）和卷积（convolution）的技术说明 一、直接卷积运算的缺点 如果图像是n×nn\times nn×n，过滤器是f×ff \times ff×f，那么卷积运算的结果是(n−f+1)×(n−f+1)(n-f+1)\times (n-f+1)(n−f+1)×(n−f+1) 随着一次次卷积运算的进行，图像会越来越小，如果神经网络深度很大，图像可能变得特别特别小。 覆盖边缘
matlab深度学习入门实例:从0搭建卷积神经网络cnn
06-19
### 回答1： 深度学习是当今计算机科学领域最为热门的研究方向之一，其在图像分类、语言识别、自然语言处理等诸多领域都有广泛的应用。而卷积神经网络（CNN）是深度学习中最为核心的模型之一，它能够有效地提取图像的特征并进行分类。本文将介绍如何使用matlab搭建卷积神经网络。 首先，我们需要准备好所需的数据集，这是构建卷积神经网络的必要条件。可以在网上找到一些现成的数据集，如MNIST手写数字数据集，CIFAR-10图像分类数据集等等。 接下来，我们需要创建一个卷积神经网络。在matlab中，可以使用Deep Learning Toolbox来创建卷积神经网络模型。我们需要指定网络的层数、每层的神经元个数、激活函数等参数，以及网络的损失函数、优化算法等参数。 然后，我们需要将数据集分成训练集和测试集，并将其加载到matlab的工作空间中。可以使用matlab自带的数据集加载函数或者自己编写数据集加载函数来完成这一步骤。 接下来，我们需要对数据进行预处理，以便将其交给卷积神经网络进行训练。预处理包括图像的标准化、图像增强、数据扩充等操作。 最后，我们需要使用trainNetwork函数来训练我们的卷积神经网络，并使用testNetwork函数来测试网络的性能。网络训练完毕后，可以保存模型以备将来使用。 总的来说，用matlab进行卷积神经网络的搭建十分方便，并且matlab还提供了许多实用的工具箱和函数来辅助网络的训练和测试。若想深入研究深度学习，matlab是一个不错的选择。 ### 回答2： 深度学习是现代计算机科学的热门领域，它通过神经网络的层次结构来学习复杂的模式，特别是在图像、语音和自然语言处理上表现突出。Matlab是一种广泛用于数学建模、数据分析和科学计算的软件工具，也被用于深度学习领域。本文将介绍如何使用Matlab从零开始搭建卷积神经网络CNN。 首先，我们需要导入一些深度学习常用的库。例如 MatConvNet 和 VLFeat，这两个库都是由Matlab编写的，方便用户在Matlab中实现卷积神经网络。接下来，我们需要构建神经网络的模型，包括卷积层、池化层、全连接层等。这里，我们将使用卷积层、池化层交替的组合来搭建CNN模型，并设置相关的参数，例如数目、步长和大小等。 然后，我们需要准备好训练数据和测试数据，这些数据可以是图像、语音或文本等。我们需要将数据集进行预处理，例如归一化、预处理等，以确保数据数据量相等和格式标准化。接下来，我们需要定义模型的训练方法，例如使用反向传播算法以最小化误差和损失函数，而优化器可以选择常用的SGD、Adam或Adagrad等。 最后，我们需要对我们训练好的模型进行测试，测试过程中会给出一些输入样例，然后模型会输出对应的预测结果，我们可以根据这些结果来评估模型的性能和准确度。如果模型的性能不好，我们可以使用更多的层数、更多的节点或更多的数据来改善模型。 总之，使用Matlab搭建卷积神经网络的过程比较复杂，需要对深度学习的知识有一定的了解，并具备一定的程序能力。通过本文的介绍，相信读者能够初步了解到如何搭建卷积神经网络，并在实践中逐渐提高自己的能力。 ### 回答3： 在进行深度学习研究时，卷积神经网络(CNN)是一种非常常见的网络结构。使用Matlab可以高效地实现并训练CNN。下面将以一个简单的手写数字识别任务为例，从0开始介绍如何在Matlab中搭建和训练卷积神经网络。 首先需要导入手写数字数据集。在Matlab中已经内置了一个手写数字数据集，可以使用以下命令导入： ``` digitDatasetPath = fullfile(matlabroot,'toolbox','nnet','nndemos','nndatasets','DigitDataset'); imds = imageDatastore(digitDatasetPath, 'IncludeSubfolders', true, 'LabelSource', 'foldernames'); ``` 接下来，需要设置网络结构和超参数。这里选择一个包含两个卷积层和两个全连接层的CNN，同时设置学习率、迭代轮数等超参数。 ``` layers = [ imageInputLayer([28 28 1]) convolution2dLayer(3,16,'Padding','same') batchNormalizationLayer reluLayer maxPooling2dLayer(2,'Stride',2) convolution2dLayer(3,32,'Padding','same') batchNormalizationLayer reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(256) batchNormalizationLayer reluLayer fullyConnectedLayer(10) softmaxLayer classificationLayer]; options = trainingOptions('adam', ... 'MaxEpochs',20,... 'MiniBatchSize',128, ... 'InitialLearnRate',0.001, ... 'Shuffle','every-epoch', ... 'Verbose',false, ... 'Plots','training-progress'); ``` 然后可以开始训练模型。使用以下命令可以开始训练： ``` net = trainNetwork(imds,layers,options); ``` 最后，可以使用测试集对训练好的模型进行评估，并计算出模型的准确率： ``` YPred = classify(net,augimdsTest); YTest = imdsTest.Labels; accuracy = sum(YPred == YTest)/numel(YTest); ``` 通过这个例子，可以看出使用Matlab搭建和训练卷积神经网络是非常简单的。同时，Matlab提供了许多预训练模型和工具箱，可以方便地进行深度学习研究和应用。

“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
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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。

余额充值