烦恼可以做网站吗,成都网站排名生客seo,网址无法打开网页是怎么回事,网站seo优化查询个人的对于CNN总结的一些知识点 对于每一个卷积层来说#xff0c;其out_channel就是卷积核的个数#xff1a;
对每个输入的图片#xff08;就是每一个#xff08;C,H,W#xff09;的矩阵#xff0c;一共有batch_size个#xff09;#xff0c;卷积核从第0到第in_channe…个人的对于CNN总结的一些知识点 对于每一个卷积层来说其out_channel就是卷积核的个数
对每个输入的图片就是每一个C,H,W的矩阵一共有batch_size个卷积核从第0到第in_channel个通道上进行从[0,0]到[H2*pad-HH,W2*pad-WW]的卷积没有padding的情况下HH,WW是卷积核的高和宽卷积的实际意思用卷积核W * 像素矩阵中与W相同size的区域把C个通道卷积的结果相加最后再加上偏置就得到了一层output假如有F个卷积核那么就会得到F层结果F也就是Out_channel。
input:(N,C,H,W)
output:(N,F,H,W)
在反向传播中同一感受野的所有像素更新同样大小的梯度感受野就是卷积核的大小x的更新以感受野为单位
out[n,f,i//stride,j//stride]np.sum(x[n,:,iHH,jWW]*Wf)bf
池化和卷积的不同之处
池化核并没有这个核池化只是有一个框架但我称之为池化核没有参数。池化核或许可以称之为池化窗口在每个通道分别滑动以池化核的size为单位进行Max或者mean的操作实现降采样产生out_channelin_channel的结果池化只是改变了Input的H和W。池化主要用来实现下采样。
反卷积ConvTranspose是实现上采样扩增数据生成分辨率更高的数据的。
下采样减少数据采样率或分辨率
池化的作用
①相当于图片的resize去掉一些不重要的信息留下具有尺度不变性的信息
②减少特征图的维度去除冗杂信息
