深度学习中的各种卷积总结

最新推荐文章于 2024-07-12 14:56:18 发布

PRIS-SCMonkey

最新推荐文章于 2024-07-12 14:56:18 发布

阅读量4.1k

点赞数 17

分类专栏：深度学习Deep Learning 文章标签：卷积总结深度学习

本文链接：https://blog.csdn.net/weixin_43624538/article/details/96917113

版权

深度学习中的各种卷积总结

深度学习中的各种卷积总结

在深度学习中，卷积是一个非常重要的概念，卷积也是卷积神经网络拥有良好的图像处理能力的关键。这篇文章将介绍一下不同类型的卷积，为了简单起见，本文只关注于二维的卷积。首先我们先回忆一下卷积的基本概念：
卷积核大小(Kernel Size)：卷积核的大小定义了卷积操作的感受野。在二维卷积中，通常设置为3，即卷积核大小为3×3。
步长(Stride)：定义了卷积核遍历图像时的步幅大小。其默认值通常设置为1，也可将步幅设置为2后对图像进行下采样，这种方式与最大池化类似。
填充(Padding)：定义了网络层处理样本边界的方式。当卷积核大于1且不进行边界扩充，输出尺寸将相应缩小；当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将与输入相等。
输入和输出通道(Channel)：构建卷积层时需定义输入通道 $I$ ，并由此确定输出通道 $O$ 。这样，可算出每个网络层的参数量为 $I * O * K$ ，其中 $K$ 为卷积核的参数个数。例如，某个网络层有64个大小为3×3的卷积核，则对应 $K$ 值为 3×3 =9。