CNN的底层架构-（一）Padding

最新推荐文章于 2024-06-24 10:17:22 发布
最新推荐文章于 2024-06-24 10:17:22 发布
阅读量144 收藏
点赞数
文章标签： cnn 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zzyzxt/article/details/130459446
版权
文章介绍了卷积操作在图像处理中的应用，包括普通卷积可能导致的图像尺寸减小和信息损失问题。Padding作为一种解决方案，可以在图像边缘添加额外像素，保持输出尺寸或实现same卷积。此外，文章提到在计算机视觉中通常选择奇数大小的滤波器，以避免不对称填充并确保滤波器有中心像素。
摘要由CSDN通过智能技术生成

笔记主要知识点：

（1）两个卷积公式（普通的卷积、加Padding的卷积）

（2）普通卷积的缺点以及padding是如何解决的

（3）padding的两种类型-valid、same

（4）如何确定p、以及f一般取奇数的原因

Padding

在一般的卷积中，

例如用（3×3）的filter卷积一个（6×6）的图片，那么输出结果将是（4×4）。

公式：

(n\times n)*(f\times f) = (n-f+1)\times (n-f+1)

但普通卷积的缺点有二：

（1）每次卷积后图像都会缩小（shrinking output）

（2）图片中间部分会被许多filter重

最低0.47元/天 解锁文章
JenoJisung
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
CNN中padding的作用
AnneQiQi的博客
12-17 5782
padding是增加图片各个边的pixels的数量，具体增加的数量由filter的尺寸和stride大小共同决定。padding的上限是维持feature map大小和原图大小一致。目的是保持feature map不要太小。 padding的意义： 1）为了不丢弃原图信息 2）为了保持feature map大小与原图一致 3）为了让更深层的layer的input依旧保持足够大的信息量 4...
cnn-text-classification-tf-master
05-03
本项目"**cnn-text-classification-tf-master**"是基于TensorFlow实现的一个文本分类的示例，它展示了如何利用CNN来理解和解析文本数据。 1. **TensorFlow**：TensorFlow是由Google Brain团队开发的开源库，用于...
填充（Padding）是卷积神经网络（CNN）中一种技术，填充的主要目的是
最新发布
m0_51200050的博客
06-24 708
填充（Padding）是卷积神经网络（CNN）中一种技术，通过在输入特征图的边缘添加像素，以控制输出特征图的空间维度。
CNN中stride（步幅）和padding（填充）的详细理解
我是天才很好
09-09 1万+
步幅：卷积核经过输入特征图的采样间隔 填充：在输入特征图的每一边添加一定数目的行列，使得输出的特征图的长、宽 = 输入的特征图的长、宽 两个参数的核心： 设置步幅的目的：希望减小输入参数的数目，减少计算量。 设置填充的目的：希望每个输入方块都能作为卷积窗口的中心。 在边长=4的输入矩阵各边填充1层，全部填充0，采用边长=3的卷积核，全部卷积核的中心构成原输入。 首先从一个问题入手： 问题：一个尺寸 a*a的特征图，经过b*b的卷积层，步幅（stride）=c，填充（padding）=d， 请计
Padding（填充） ——卷积神经网络（CNN）
m0_74042340的博客
11-27 3182
在多次卷积操作中，如果不使用填充，每次卷积都会导致输出尺寸减小，最终可能使得图像的边缘信息丢失得很快。通过适当的填充，可以减缓尺寸的减小，避免信息丢失过快。是卷积神经网络（CNN）中的一个概念，它是指在输入图像的周围增加额外的边界，以便在卷积操作中更好地处理图像边缘的信息。填充通常使用零值进行填充。在进行卷积操作时，卷积核在图像边缘处可能无法完全覆盖，导致输出图像尺寸缩小。通过填充，可以确保卷积核能够涵盖图像的边缘，从而保留更多的信息。使用填充可以减缓图像尺寸的减小，有助于在深层网络中保持足够的感受野。
深度学习入门基础CNN【填充（padding）与步幅（stride）】
m0_55927959的博客
03-20 1348
深度学习入门基础CNN【填充（padding）与步幅（stride）】
简单理解CNN的padding如何计算
Penn Li的博客
03-12 1万+
简单理解CNN的padding如何计算一、说明二、计算三、技巧分享 一、说明 先看pytorch卷积层设置参数 nn.Conv2d( in_channels=1, #input height out_channels=16, #n_filters kernel_size=5, #卷积核 stride=...
CNN-Prediction-Based-Reversible-Data-Hiding-main (1).zip
04-06
CNN-Prediction-Based-Reversible-Data-Hiding-main CNN-Prediction-Based-Reversible-Data-Hiding-main CNN-Prediction-Based-Reversible-Data-Hiding-main CNN-Prediction-Based-Reversible-Data-Hiding-main
text-classification-cnn-rnn-master_RNN_CNN_
10-02
标题中的"RNN_CNN"表明这是一个结合循环神经网络（Recurrent Neural Network, RNN）与卷积神经网络（Convolutional Neural Network, CNN）的项目，用于中文文本分类。在描述中，我们得知该实现是用TensorFlow完成的...
CNN-LSTM-Attention-master.zip
08-24
标题中的"CNN-LSTM-Attention-master.zip"是一个压缩包，其中包含了用于此类预测任务的源代码和可能的数据集。 **一、卷积神经网络（CNN）** 卷积神经网络是深度学习领域中的一种重要模型，尤其在图像处理领域表现...
CNN-TCN-BiLSTM-Attention异常检测（Python完整源码)
12-15
CNN_TCN_BiLSTM_Attention异常检测（Python完整源码) CNN_TCN_BiLSTM_Attention异常检测（Python完整源码) CNN_TCN_BiLSTM_Attention异常检测（Python完整源码) CNN_TCN_BiLSTM_Attention异常检测（Python完整...
动手学深度学习 - 5.2. 填充和步幅
既然选择了远方 便只顾风雨兼程 - 永强
06-15 1262
动手学深度学习 - 5.2. 填充和步幅 动手学深度学习 - Dive into Deep Learning Aston Zhang, Zachary C. Lipton, Mu Li, and Alexander J. Smola https://zh.d2l.ai/ 5.2. 填充和步幅 在上一节的例子里，我们使用高和宽为 3 的输入与高和宽为 2 的卷积核得到高和宽为 2 的输出。一般来说，...
深度学习入门基础CNN系列——填充（padding）与步幅（stride）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
01-17 3052
1。卷积输出特征图的尺寸计算方法如下（卷积核的高和宽分别为kh和kwk_h和k_wkh​和kw​）:HoutH−kh1WoutW−kw1Hout​H−kh​1Wout​W−kw​12。当宽和高的步幅分别为sh和sws_h和s_wsh​和sw​HoutH2ph−khsh1WoutW2pw−kwsw1Hout​s。
对于 CNN 卷积网络的理解——Padding 的两种方式
weixin_40267373的博客
05-03 3277
TensorFlow—Conv2D padding 问题导言1. Padding='VALID'2. Padding='SAME'2.1. 2x2 大小的卷积核2.2. 3x3 大小的卷积核2.3. 4x4 大小的卷积核3. 对齐方式不同 导言 最近在看卷积神经网络（CNN）的时候，遇到了 padding 这个属性（补全方式），查了很多资料，发现目前网上讨论的大都是padding之后输出张量大小如...
图解CNN中的卷积（卷积运算、池化、Padding、多通道的卷积）
coderge's CSDN Blog.
06-27 4092
卷积层是深度学习神经网络中经常使用的一种层。它通过卷积运算来提取输入的特征，常用于图像、语音等信号处理任务中。 卷积层有以下几个参数： 1. 卷积核：卷积层中包含若干个卷积核，每个卷积核都是一个二维权重矩阵。卷积核的大小通常是奇数，比如3x3、5x5等，以便于有一个中心点，可以更好地提取特征。 2. 步长（stride）：指卷积核在输入数据上移动的步长。比如，构建一个3x3的卷积核，步长为2，表示每次卷积操作都会跨越2个像素。 3. 边界填充（padding）：指在输入数据的四周填充一圈像素，以保持卷积
CNN中的padding如何影响位置学习
j879159541的博客
03-27 831
最近在知乎上看到大家都在说CNN学习目标的位置时是根据padding来学习的，下面是利用C++实现的矩阵之间的卷积运算 注： 有个假设就是，认为feature map中的1位背景，4567是前景 1、feature map和卷积核都不带padding 例1：feature map为4维矩阵，卷积核为3维 目标在中心时： 目标向左上角平移： 目标向右下角平移： 例2：feature map为6...
各种卷积的流程和优缺点
weixin_43112053的博客
10-18 1万+
卷积
CNN中的padding
热门推荐
rain6789的博客
12-08 2万+
在CNN中，卷积和池化是一种很常见的操作，一般认为通过卷积和池化可以降低输入图像的维度，也可以达到一定的旋转不变性和平移不变性； 而在这种操作过程中，图像(或者特征图)的尺寸是怎么变化的呢？ 本文主要描述TensorFlow中，使用不同方式做填充后(padding = 'SAME' or 'VALID' )的tensor的size变化。 Input Shape 对于输入，t
cnn-padding含义及原矩阵经padding、卷积后维数计算
wo的博客
09-11 186
Alexnet_经典的CNN模型架构-LeNet、AlexNet、VGG、GoogleLeNet、ResNet
05-12
AlexNet是经典的卷积神经网络模型架构之一，由Alex Krizhevsky等人在2012年提出。相比于之前LeNet模型，AlexNet在深度、参数量和计算量上都有所提升，使其在图像分类等任务上取得了突破性的成果。 AlexNet模型包含5...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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