[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~

我的微博我的github我的B站

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

[DeeplearningAI笔记]卷积神经网络4.11一维和三维卷积_第1张图片

  • 对于2D卷积来说,假设原始图像为 14 ∗ 14 ∗ 3 14*14*3 14143的三通道图像,使用32个 5 ∗ 5 ∗ 3 5*5*3 553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 ∗ 10 ∗ 32 10*10*32 101032大小的特征图。
  • 对于1D卷积而言,假设原始图像为 14 ∗ 1 14*1 141的单通道灰度图像,使用16个 5 ∗ 1 ∗ 1 5*1*1 511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 ∗ 16 10*16 1016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。

[DeeplearningAI笔记]卷积神经网络4.11一维和三维卷积_第2张图片

  • 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
    [DeeplearningAI笔记]卷积神经网络4.11一维和三维卷积_第3张图片

你可能感兴趣的:(深度学习,DeeplearningAI,Deeplearning,with,Tensorflow)