CNN中怎么搞懂循环和各变量的维度?

这是我的第一篇技术博客!

在学习吴恩达老师的深度学习课程中的卷积神经网络的建模部分,我遇到了一个问题,就是在不使用深度学习框架的情况下做CNN的前馈时,搞不清楚循环和各变量的维度之间的关系,比如下面这个过程:

单层卷积的过程

在这里插入图片描述
最好的方法其实就是把问题化简,看其最小、最本质的步骤是什么,就是如上图所示的过程,看输出层的单个例子、单个通道的特定一点 z [ i , h , w , c ] z[i,h,w,c] z[i,h,w,c]是怎么得来的,具体实现代码如下:

def conv_forward(A_prev, W, b, hparameters):
    """
    Implements the forward propagation for a convolution function
    
    Arguments:
    A_prev -- output activations of the previous layer, 
        numpy array of shape (m, n_H_prev, n_W_prev, n_C_prev)
    W -- Weights, numpy array of shape (f, f, n_C_prev, n_C)
    b -- Bi
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值