建设联结是不是正规网站,wordpress 微博同步,浏览器怎么做能不拦截网站,wordpress旧版本哪个好些卷积的输出形状取决于输入形状和卷积核的形状在应用连续的卷积后#xff0c;我们最终得到的输出大小远小于输入大小#xff0c;这是由于卷积核的宽度和高度通常大于1导致的比如#xff0c;一个 240 240 240240 240240像素的图像#xff0c;经过10层 5 5 55 55的卷积后我们最终得到的输出大小远小于输入大小这是由于卷积核的宽度和高度通常大于1导致的比如一个 240 × 240 240×240 240×240像素的图像经过10层 5 × 5 5×5 5×5的卷积后将减少到 200 × 200 200×200 200×200像素。如此一来原始图像的边界丢失了许多有用信息。而填充是解决此问题最有效的方法有时我们可能希望大幅降低图像的宽度和高度。例如如果我们发现原始的输入分辨率十分冗余。步幅则可以在这类情况下提供帮助。 1. 填充
上面提到我们在应用多层卷积的时候常常丢失边缘像素解决此问题的简单方法就是填充在输入图像的边界填充元素通常是0下图就是一个填充的例子 通常如果我们添加 p h p_h ph 行填充大约一半在顶部一半在底部和 p w p_w pw 列填充大约一半在左边一半在右边那么输出的形状就会变为如下所示 这就意味着输出的高度和宽度分别增加 p h p_h ph 和 p w p_w pw在许多情况下我们会设置 p h k h − 1 p_hk_h-1 phkh−1 和 p w k w − 1 p_wk_w-1 pwkw−1使输入和输出具有相同的高度和宽度。这样可以在构建网络时更容易预每个图层的输出形状。如果 k h k_h kh 为奇数那么我们将在高度的两侧填充 p h / 2 p_h/2 ph/2 行。而如果 k h k_h kh 是偶数则另一种可能性就是在顶部输入填充 p h / 2 p_h/2 ph/2 上取整而对底部下取整。宽度同理而卷积神经网络中卷积核的高度和宽度通常为奇数。选择计数的好处是保持空间维度的同时可以在顶部和底部填充数量相同的行在左侧和右侧填充相同适量的列对于任何二维张量 x当满足① 卷积核的大小是奇数 ② 所有边的填充行数和列数相同 ③ 输出与输入具有相同的宽度和高度。那么我们就可以说输出 V[i,j] 是通过以输入 X[i,j] 为中心与卷积核进行互相关计算得到的在下面给出上面所述情形的一个例子 当卷积核的高度和宽度不同时我们可以填充不同的高度和宽度如下图所示 2. 步幅
有时为了高效计算或缩减采样次数卷积窗口可以跳过中间位置每次滑动多个元素我们将每次滑动元素的数量称为步幅目前为止我们只使用过高度或者宽度为1的步幅下图是垂直步幅为 3水平步幅为 2 的互相关运算。着色部分是输出元素以及用于输出计算的输入和内核张量元素 通常当垂直步幅为 s h s_h sh水平步幅为 s w s_w sw 时输出形状为 如果我们设置了 p h k h − 1 p_hk_h-1 phkh−1 和 p w k w − 1 p_wk_w-1 pwkw−1那么输出形状将简化为如下 如果更进一步输入和输出的高度和宽度可以被垂直和水平步整除的话输出形状可以被进一步简化为 下面我们将高度和宽度的步幅都设置为2从而将输入的高度和宽度都减半 下面是一个稍微复杂的例子 然而在实践中我们很少用不一致的步幅和填充
