本文介绍了深度学习中常见的几种卷积类型：常规卷积、转置卷积、空洞卷积和可分离卷积。常规卷积通过参数共享减少计算量；转置卷积用于上采样恢复特征图尺寸；空洞卷积通过扩张率增加感受野而不增加参数；可分离卷积，尤其是深度可分离卷积，进一步降低参数量并保持性能。
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。
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（Transposed Convolution）是卷积
2068
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
