ICP备案不停网站,网站建设招标公告,建网站容易吗,关键词推广方案1 卷积的步骤
1 过滤器#xff08;卷积核#xff09;#xff08;Filter或Kernel#xff09;#xff1a; 卷积层使用一组可学习的过滤器来扫描输入数据#xff08;通常是图像#xff09;。每个过滤器都是一个小的窗口#xff0c;包含一些权重#xff0c;这些权重通过训…1 卷积的步骤
1 过滤器卷积核Filter或Kernel 卷积层使用一组可学习的过滤器来扫描输入数据通常是图像。每个过滤器都是一个小的窗口包含一些权重这些权重通过训练数据进行学习。
过滤器的大小例如3x3或5x5决定了它观察输入数据的范围大小。较小的过滤器可以捕捉到细粒度的特征而较大的过滤器可以捕捉到更大范围的特征。
每一个卷积核或过滤器通常被设计用来从输入图像中提取某类特征。
2 特征图Feature Map 当过滤器在输入数据上滑动或卷积时它会计算过滤器与输入数据的局部区域之间的点乘积生成特征图。每个特征图代表了过滤器检测到的特定类型的特征在输入数据中的位置。
例如在处理图像时一个过滤器可能专门用来检测边缘另一个过滤器可能用来检测纹理。
3 步长Stride 步长决定了过滤器移动的间隔。步长为1意味着过滤器每次移动一个像素步长为2则意味着每次移动两个像素。
步长的大小影响特征图的空间维度步长较大会导致特征图的尺寸减小。
4 填充Padding 为了保持特征图的尺寸不受过滤器大小的影响或者为了防止边界信息丢失可以在输入数据周围添加填充。常见的填充方式有“valid”不添加填充和“same”添加填充以保持尺寸不变。
5 激活函数 卷积操作后通常会应用一个非线性激活函数如ReLURectified Linear Unit以增加网络的非线性能力使其能够学习更复杂的特征。
6 权重共享 在整个输入数据上同一个过滤器的权重是共享的这意味着无论过滤器在哪个位置它都使用相同的权重。这使得CNN在参数数量上更加高效同时也赋予了模型某种平移不变性。 2 卷积的例子 其中新图像大小计算公式 CONV过程参考 卷积运算的动态演示
https://cs231n.github.io/assets/conv-demo/index.html
3 一些机制 局部感知主要是通过卷积核来实现的。在卷积神经网络CNN中每个卷积核负责提取输入数据如图像的一种特定局部特征。这里的局部特征可以是图像的边缘、角点、纹理或者更抽象的模式。
参数共享机制就是说在同一卷积层中一个卷积核的权重在整个输入数据上共享。这不仅减少了模型的参数量也使得模型对输入数据的局部区域具有更高的敏感度。
