[DeeplearningAI笔记]卷积神经网络4.11一维和三维卷积

4.4特殊应用:人脸识别和神经网络风格转换

觉得有用的话,欢迎一起讨论相互学习~

吴恩达老师课程原地址

4.11一维和三维卷积

二维和一维卷积

• 对于2D卷积来说，假设原始图像为$14\ast 14\ast 3$的三通道图像，使用32个$5\ast 5\ast 3$的卷积核(其中3表示通道数，一般只关注感受野的大小，而卷积核的深度大小与输入的通道数相同)进行卷积，则得到大小为$10\ast 10\ast 32$大小的特征图。
• 对于1D卷积而言，假设原始图像为$14\ast 1$的单通道灰度图像，使用16个$5\ast 1\ast 1$的卷积核(因为处理的是单通道图像，所以第一层卷积核的最后一维度为1)进行卷积，则得到大小为$10\ast 16$的特征图，其中10表示列的数量，1维数据行的数量默认为1,16表示通道数，与进行处理的卷积核数量一致。

3D卷积

• 以CT图片为例，以X光照射人体，可以获得贯穿你身体的不同片段图片。本质上这个数据是三维的，其具有高度，宽度和深度，其中的每一张图片都与人体不同深度的切片相对应。

• 注意 3D卷积和2D卷积一样长宽和高并不一定要相等，其在长宽和高上都有维度，卷积核的长宽和高在维度上也不一定要一致