卷积神经网络

最近一直在研究卷积神经网络,有些收获,在此做下总结,以便日后回顾。

 

一、二维卷积层和多维卷积层对比总结:

二维卷积原理如下图:

卷积神经网络_第1张图片

卷积神经网络_第2张图片

多维卷积层比二维稍微复杂一些,需要注意的是不同的输入层采用不同的卷积核按二维卷积层计算然后求和:

卷积神经网络_第3张图片

 

其中1x1的卷积核与全连层等价。

需重点掌握输入经过卷积核后的形状:

假设输入形状是n_{h}\times n_{w},卷积核窗口形状是k_{h}\times k_{w},那么输出形状将会是

(n_{h}-k_{h}+1)\times (n_{w}-k_{w}+1)

 

 

二、填充和步幅:

填充是指在输入高和宽的两侧填充元素(通常是0元素)。

卷积神经网络_第4张图片

重点计算输出形状,假设在高两侧一共填充p_{h}行,在宽两侧一共填充p_{w}列,输出为:

(n_{h}-k_{h}+2\times p_{h}+1)\times (n_{w}-k_{w}+2\times p_{w}+1)

步幅是指每次滑动的行数核列数。

重点计算输出形状,假设在高上步幅为s_{h},在宽上步幅为s_{w},输出为:(且向下取整)

[(n_{h}-k_{h}+2\times p_{h}+s_{h})/s_{h}]\times [(n_{w}-k_{w}+2\times p_{w}+s_{w})/s_{w}]

 

三、池化层:

二维池化层原理如图:

卷积神经网络_第5张图片

卷积神经网络_第6张图片

池化层的填充和步幅与卷积层原理一致

多维池化层:

多维池化层与卷积层处理方式不同,多维池化层对每个输入层分别池化,这意味着池化层的输出通道数与输入通道数一致。

你可能感兴趣的:(深度学习)