No酒类网站建设,手机怎么自创网站,辽宁省城乡建设厅官方网站,小程序商城开发商文章目录 一、前言二、卷积操作2.1 填充#xff08;padding#xff09;2.2 步长2.3 输出特征图尺寸计算2.4 多通道卷积 三、池化操作四、Lenet-5及CNN结构进化史4.1 Lenet-5 一、前言 卷积神经网络–AlexNet(最牛)-2012 Lenet-5-大规模商用#xff08;1989#xff09;
二、… 文章目录 一、前言二、卷积操作2.1 填充padding2.2 步长2.3 输出特征图尺寸计算2.4 多通道卷积 三、池化操作四、Lenet-5及CNN结构进化史4.1 Lenet-5 一、前言 卷积神经网络–AlexNet(最牛)-2012 Lenet-5-大规模商用1989
二、卷积操作
1.特征具有局部性卷积核每次仅连接KK区域KK是卷积核尺寸 2.特征可能出现在任何位置卷积核参数重复使用参数共享在图像上滑动 卷积核就有点像权重矩阵 卷积核具可学习参数的算子用于对输入图像进行特征提取输出通常称特征图(feature maps)
2.1 填充padding 分辨率不变 弥补边界丢失
2.2 步长
滑动距离
2.3 输出特征图尺寸计算
F_in是输入特征图的长度 k卷积核的长度 p填充单行长度 s步长
2.4 多通道卷积
卷积核高、宽、输入的通道数量、输出个数4维 卷积核是3-D张量但是计算还是2-D卷积视频处理中会用到3-D卷积-有时间概念
三、池化操作
下采样图像不会改变图像目标降低计算量减少特征冗余 很少用池化了因为降低分辨率可以用设置步长。
四、Lenet-5及CNN结构进化史
4.1 Lenet-5
卷积池化的堆叠
