本文深入探讨卷积神经网络（CNN），介绍了2D卷积的局部感受野、卷积核大小、padding和stride的概念，并通过实例解释了这些参数如何影响网络结构。同时，阐述了卷积在网络中的作用，包括特征提取和维度提升，并以LeNet-5为例展示网络结构。最后，提及了梯度下降在训练过程中的作用。
经过了第一节关于什么是卷积的介绍，这里结合相关的网络结构来回顾下什么是卷积神经网络：
首先回顾一下我们2D的卷积的局部感受野的概念，即对输入图像的一部分聚焦进行观察，其余部分不管，通过移动窗口遍历整个输入图像的股过程。
那么一个新的概念需要了解下，就是卷积核的大小（kernel size），以RGB三通道的图像为例，这里选取的卷积核大小为3*3的矩阵，我们三个通道分别得到三个卷积操作后的计算结果，而最终的output是三个通道的卷积操作结果的线性相加如下图所示：
回收第一张图，这里可以更直观的理解局部感受野和三个通道叠加的过程
除此之外呢我们还需要理解两个概念，也就是padding和s
最低0.47元/天 解锁文章
扫一扫
972
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
