CNN 理解神经网络中卷积(大小,通道数,深度)
2019-05-23 16:22
519 查看
记录一些之前学习中理解不透彻或者有偏差的知识
首先,对于卷积核(或称为卷积过滤器)的大小,一个卷积核的通道数与它进行卷积的输入必须是相同。
例如:32*32*3的图像的卷积核通道数必须是3,如5*5*3。
在这个卷积核中三层卷积的参数是相同的(对于三个通道而言)。
其次,对于卷积运算,一个卷积核经过计算得到的一定是一个映射,一个数字。
接着,对于卷积核的深度,就是有几个卷积核。下图中就是有五个卷积核,即卷积核的深度是5。
我们在处理一个卷积层时,我们希望用到多种卷积核,因为每一个卷积核都可以从输入中得到一种特殊的模式或概念。所以我们会有一组卷积核。即卷积核与卷积核中的参数是不同的。
在上图中,32*32*3的图像经过5*5*3*5的卷积核得到28*28*5。
卷积的二维上的计算
(原始边长-核边长+2*padding)/步长+1
有填充的情况下,输出与原大小相同。
参考:
斯坦福大学CS231N课程PPT
相关文章推荐
- 深度神经网络Tensorflow里卷积后feature map的大小
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- [深度学习]神经网络的理解(MLP RBF RBM DBN DBM CNN 整理学习)
- tensorflow-简单CNN(卷积深度神经网络结构)
- 深度神经网络结构以及Pre-Training的理解
- 深度学习算法之卷积神经网络简介
- 深度学习基础知识(1)神经网络理解
- 深度学习(四十)优化求解系列(2)简单理解神经网络求解过程-未完待续
- 基于多尺度卷积神经网络框架结合语义标签和surface normals以及深度预测
- 深度学习资料整理(深度神经网络理解)
- 深度学习方法(十三):卷积神经网络结构变化——可变形卷积网络deformable convolutional networks
- 深度卷积网络CNN与图像语义分割
- 基于动态场景去模糊的多尺度深度卷积神经网络
- 基于深度卷积神经网络分割的飞机类型识别
- 深度学习算法之卷积神经网络简介
- 【神经网络与深度学习】【计算机视觉】RCNN- 将CNN引入目标检测的开山之作
- 深度学习 —— 卷积神经网路 CNN