![3a5c3c10ea36d1f7680b34dc5c9e7a17.png](https://img-blog.csdnimg.cn/img_convert/3a5c3c10ea36d1f7680b34dc5c9e7a17.png)
前言
这是卷积神经网络的学习路线的第四篇文章,这篇文章主要为大家介绍一下如何减少卷积层的计算量,使用宽卷积的好处以及转置卷积中的棋盘效应。
如何减少卷积层计算量?
从本系列的前面几篇文章看,减少卷积层的计算量主要有以下几种方法:
- 使用池化操作。在卷积层前使用池化操作降低特征图分辨率。
- 使用堆叠的小卷积核代替大卷积核。VGG16中使用
个
卷积代替一个
卷积。
- 使用深度可分离卷积。将原始的
的卷积核分成
和
两部分操作。
- 应用
这是卷积神经网络的学习路线的第四篇文章,这篇文章主要为大家介绍一下如何减少卷积层的计算量,使用宽卷积的好处以及转置卷积中的棋盘效应。
从本系列的前面几篇文章看,减少卷积层的计算量主要有以下几种方法: