标签：02 1.1 卷积 filter stride 步长 深度 CNN input

1 CNN的结构

1.1 卷积层

  由滤波器filters和激活函数构成。 一般要设置的超参数包括filters的数量、大小、步长，以及padding是“valid”还是“same”。当然，还包括选择什么激活函数。

1.1.1 padding 填白

每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。比如把(8,8)的图片给补成(10,10)，那么经过(3,3)的filter之后，还是(8,8)，没有变。把卷积后大小不变称为 “Same”方式， 把不经过任何填白的，称为 “Valid”方式。

1.1.2 stride 步长

默认步长是1，如果(8,8)的输入，我们用(3,3)的filter， 如果stride=1，则输出为(6,6); 如果stride=2，则输出为(3,3)

1.1.3 卷积

如果input是一维8x8的黑白图片，filter是3x3，那卷积后的output是6x6
如果input是三维8x8的彩色图片，filter是3x3x3（最后一个3表示filter是三维，这个维度要和input一致，如若input是2维，则filer也要2维），那卷积后的output也是6x6（三个channel的所有元素对应相乘后求和，也就是27个乘积的和），因为下图中filter只有对角线有非0，因此只乘了对角线，实际是表格中每个元素都要相乘。

如果使用多个filters同时卷积，比如，如果我们同时使用4个filter的话，那么 输出的维度则会变为(6,6,4)，相当于做了四次filter，每次filter输出的维度是（6，6，1）。

1.2 池化层

该层主要是为了提取一定区域的主要特征，并减少参数数量，防止模型过拟合。方法有MaxPooling（取那个区域的max）还有AveragePooling（取那个区域的平均值）

1.2.1 max pooling

如下面的MaxPooling，采用了一个2×2的窗口，并取stride=2

1.3 全连接层

标签：02,1.1,卷积,filter,stride,步长,深度,CNN,input
来源： https://blog.csdn.net/weixin_40313252/article/details/122055834

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。