简介
使用卷积操作的动机是让网络关注有意义的局部特征,同时因为其参数共享的机制,能够极大地降低参数量,提高计算效率。深度学习发展至今,衍生出了多种卷积类型。除了常规卷积外,还有转置卷积、空洞卷积、可分离卷积等。
常规卷积
以2D卷积为例,一个卷积操作通常包含以下几个参数:
卷积核尺寸(kernel size):卷积核的感受野,也就是每次卷积操作的范围大小,常设为3x3;
步长(stride):对整张图像进行滑动遍历时的步长,通常设置为1,当步长不为1时,卷积操作后的特征图会减小;
边界填充(padding):当卷积核尺寸大于1时,是否在边界进行填充,通常为补零操作。当不进行扩充时,卷积后的特征图尺寸会减小,进行填充后,尺寸不变。
转置卷积
转置卷积(Transposed Convolution)是卷积