1,卷积层计算
假设输入图像为二维矩阵X,尺寸为mⅹn,卷积核数量为C,尺寸为cⅹc,经过卷积运算后得到的输出Y尺寸为((m-c)/s+1)×((n-c)/s+1)。(池化层输出尺寸计算同卷积层)
为了直观的展示卷积操作,图2.1表示输入尺寸为5ⅹ5的图像,卷积核尺寸为3ⅹ3,滑动卷积窗口步长为1,偏置为0的卷积过程。
二维图像的卷积运算简单的说就是对应相乘再相加,如图,1x1+2x0+3x1+6x0+7x1+8x0+11x1+12x0+13x1=35,其他依次类推。
接下来计算卷积层的参数量,
输入尺寸是32x32x3,有24个卷积核,卷积核尺寸为3x3x3,则输出为30x30x24,那么这层卷积用到的参数量为3x3x3x24+24=672(别忘了偏置bias)
2,全连接层计算:
全连接层的输入是一维数组,多维数组需先进行Flatten进行一维化处理,然后连接全连接层。全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来。由于其全相连的特性,一般全连接层的参数也是最多的。全连接图结构如下。
其中,x1、x2、x3为全连接层的输入,a1、a2、a3为输出,有
其中,f(x)为激活函数,如sigmoid、tanh、relu等。
全连接层参数量param=(输入数据维度+1)x神经元个数(因为每个神经元都有一个bias)
如:输入数据维度为(N,D),全连接层神经元个数为out
param=(D+1)xout
卷积神经网络相关计算(卷积层+全连接层)
最新推荐文章于 2024-04-11 23:40:15 发布