深度学习——多通道卷积、池化

最新推荐文章于 2024-08-18 11:38:58 发布

Jokic_Rn

最新推荐文章于 2024-08-18 11:38:58 发布

阅读量3.2k

点赞数 2

文章标签：深度学习

本文链接：https://blog.csdn.net/weixin_44823313/article/details/122495122

版权

多通道卷积

有多少个卷积核就有多少通道的输出，如图有2个卷积核，则有两个通道的输出，卷积核的通道数与输入的通道数应该相等
在这里插入图片描述

卷积输出的分辨率计算

在这里插入图片描述

padding = 1 上下左右各填充1个0,默认为0
dialation，膨胀卷积，这个参数代表核的间距，默认为1。
一般来说如果想要分辨率不变，可以像这样设置

stride=1	stride=1
kernel=3	kernel=5
padding=1	padding=2

池化层

池化输入通道和输出通道是一致的，并没有像卷积一样还进行了多通道的相加。所以池化不需要设置通道数。
在这里插入图片描述
一般来说如果想要分辨率变为一半，可以像这样设置

stride=2	stride= 2
kernel=2	kernel= 4
padding=0	padding= 1

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Jokic_Rn

关注关注

2
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

6. 深度学习——卷积与池化

qq_32468785的博客

11-13

485

什么是卷积卷积是很重要的概念，这里我们一定要讲讲。在数学中，称f∗gn(f*g)(n)f∗gn为fgf,gfg的卷积，f∗gn∫−∞∞fτgn−τdτ(.)\tag{.}f∗gn∫−∞∞fτgn−τdτf∗gn∑τ−∞∞fτgn−τ(.)\tag{.}f∗gnτ−∞∑∞fτgn−τ。

深度学习——卷积神经网络

01-20

卷积神经网络（CNN）是深度学习领域的重要组成部分，尤其在图像识别和处理任务中表现卓越。CNN的主要特点是利用卷积层和池化层来提取和学习图像特征，同时通过多层非线性变换实现复杂模式的识别。 1. **卷积神经...

参与评论您还未登录，请先登录后发表或查看评论

神经网络之池化层（原理（单通道、多通道），特点）

m0_45267220的博客

03-06

2809

池化操作详解，包括单通道、多通道原理示意图、池化操作输入输出尺寸等

深度学习入门（F）：通道、Head等常见概念

热门推荐

qq_29960631的博客

12-15

1万+

文章目录一、卷积1、计算公式2、参数详解3、多图片通道数卷积核运算二、池化1、池化作用2、池化参数3、池化分类三、卷积与池化总结一、卷积内容上：卷积核大小【黄色部分大小，3*3】、卷积核内数值[ [1,0,1],[0,1,0],[1,0,1] ]、卷积核的数量计算方式：从左往右，从上往下的扫描 + 对应元素相乘后相加 1、计算公式输入图片的尺寸：一般用 n * n 表示输入的image大小。卷积核的大小：一般用 f * f 表示卷积核的大小。填充（Padding）：一般用 p 来表示填充大小

AI学习笔记——卷积神经网络（CNN）

01-27

卷积神经网络（CNN）是人工智能领域中一种重要的深度学习模型，特别适用于图像识别和处理任务。相较于传统的全连接神经网络，CNN具有更好地捕获图像特征的能力，这得益于其独特的结构设计。首先，卷积...

深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶

01-07

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我们介绍卷积层的两个超参数，即填充和步幅，它们可以对给定形状的输入和卷积核改变输出形状。二维互相关...

【连载】深度学习笔记10：三维卷积、池化与全连接.docx

03-05

总结，深度学习笔记10主要讲述了三维卷积的过程，包括滤波器与图像的匹配、多通道卷积的计算方法，以及池化和全连接层在处理三维图像时的作用。这些概念对于理解和构建深度学习模型，特别是处理色彩图像的模型至关...

【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化

阿旭的博客

12-15

4751

【从零开始学习深度学习】24.神经网络中池化层的作用：最大池化与平均池化

【深度学习笔记】5_4 池化层

RIKI_1

03-02

965

注：本文为开源内容，部分标注了个人理解，仅为个人学习记录，无抄袭搬运意图。

深度学习 | CNN卷积核与通道

"You are worthy! You can do it!"

10-18

3135

每一个通道的像素值与对应的卷积核通道的数值进行卷积，因此每一个通道会对应一个输出卷积结果，三个卷积结果对应位置累加求和，得到最终的卷积结果（这里卷积输出结果通道只有1个，因为卷积核只有1个。因此整个卷积层的尺寸为（m*n*k1*k2）是一个4维张量，其中m表示卷积核的数量，n表示通道数量，k1表示每一个卷积核通道的宽，k2表示每一个卷积核通道的高。假设卷积核只有1个，卷积核通道为3，每个通道的卷积核大小仍为3x3，padding=0，stride=1。由于只有一个卷积核，因此卷积后只输出单通道的卷积结果。

【吴恩达CNN】week1：卷积与池化

kodoshinichi的博客

11-19

1060

吴恩达CNN课程第一周，讲述了卷积和池化的相关概念

1×1的卷积/交叉通道池化（cross channel pooling）

maqian5的博客

06-12

4938

在看论文Network in Network时，发现一个概念很陌生–cross-channel pooling。于是上网查，找到下面的一个回答：大概意思是说：这个概念在论文Maout Networks中有解释。假设你有一个线性模块，该模型有50个输出（或者说是有50个channels）,但是你想要的是5个输出。你就可以使用cross-channel pooling来减少对chan...

神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念）

m0_54634272的博客

01-02

3030

神经网络必备基础知识：卷积、池化、全连接（通道数问题、kernel与filter的概念）

【DL】卷积膨胀 Dilation

北境の守望者

05-07

7647

Backto DeepLearning Index dilation dilation 是对 kernel 进行膨胀，多出来的空隙用 0 padding。用于克服 stride 中造成的失真问题。对应关系是 kd=(k−1)×d+1k_{d} = (k -1)\times d + 1kd=(k−1)×d+1, 对原始kernel 进行 d 倍 dilation 之后得到新的 kdk_d...