1.步长、填充
步长(stride):指卷积神经网络(CNN)中,卷积核在进行卷积操作时在输入数据上滑动的步长。步长越大,输出的特征图尺寸越小,计算量也会减少。
填充(padding):指在输入数据的边缘处添加一定数量的虚拟数据,使得卷积核可以在边缘处进行卷积操作。填充可以控制输出的特征图尺寸,并且可以避免信息丢失。
2.感受野
感受野(receptive field):指卷积神经网络中某个特征图上的一个像素点,在输入数据中对应的区域大小。感受野可以帮助我们理解神经网络对输入数据的感知范围。
3.局部感知、权值共享
局部感知(local perception):指卷积神经网络中,卷积核只在输入数据的局部区域上进行卷积操作。这样可以减少网络参数的数量,从而降低过拟合的风险。
权值共享(weight sharing):指在卷积神经网络中,每个卷积核的参数都被用于在输入数据的不同位置进行卷积操作。这样可以减少网络参数的数量,并且可以让神经网络对输入数据的不同位置具有相同的响应,从而提高模型的泛化性能。
4.池化(子采样、降采样、汇聚)
池化是深度学习中的一种操作,也被称为子采样、降采样或汇聚。它通常用于卷积神经网络(CNN)中,作为一种数据压缩和特征提取的技术。
池化操作可以将输入数据的尺寸缩小,同时保留最重要的特征。池化通常在卷积层之后应用,以减少下一层所需的计算量。常