作者主頁(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客
本文網址：https://blog.csdn.net/HiWangWenBing/article/details/120806277
目錄
第1章 卷積中的“積”的定義
1.1 卷積中的“積”是內積
第2章 卷積中的“卷”的定義
2.1 在滑動中“卷”積
2.2 滑動的步長
第3章 邊緣填充
3.1 Pading的基本思想來源
3.2 填充后的效果
3.3 邊緣填充對輸出的影響
第4章 單個卷積核的輸出
4.1 單通的輸出（X,Y)
4.2 多輸入通道的合并
第5章 多個卷積核的輸出：多通道輸出
5.1 通道的拓展
5.2 每個輸出通道來自一個卷積核
5.3 特征圖：通道的本質是某一角度的特征
第6章 卷積的引數計算
6.1 特征圖尺寸的計算公式
6.2 卷積核引數共享
第7章 卷積對圖形變換
第8章 池化層
第9章 全連接的dropout
第1章 卷積中的“積”的定義
1.1 卷積中的“積”是內積
第2章 卷積中的“卷”的定義
2.1 在滑動中“卷”積
2.2 滑動的步長
stride：反映的每次移動的像素點的個數，
備注：
步長與輸入資料的尺寸，直接決定了卷積核輸出的尺寸，
但在實際定義卷積神經網路時，通常預先定義的是卷積層的輸出尺寸，因此，步長并不是程式員預先設定的超引數，而是自動計算，
步長是根據卷積層的程式員指定的輸入尺寸、輸出尺寸、卷積核的大小來進行推匯出來的，
第3章 邊緣填充
3.1 Pading的基本思想來源
除了輸出的邊緣被裁剪，同時輸入資料的邊緣資料點，被使用的機會也比中心點使用的機會少，
為了克服上述確定，需要在邊緣外圍進行填充，確保輸入資料的所有點都是機會均等的，公平的，
3.2 填充后的效果
3.3 邊緣填充對輸出的影響
（1）邊緣填充影響卷積輸出的大小
（2）由于填充的是0，因此不影響邊緣處的卷積的輸出值，
第4章 單個卷積核的輸出
4.1 單通的輸出（X,Y)
（1）單個卷積核的每一次卷積的輸出是一個點
（2）單個卷積核的所有卷積的輸出是一個二維的輸出（三個通道的合成），而不是一個點，
（3）多個卷積核的所有卷積的輸出組成一個三維的輸出，第三個維度的長度反映卷積核的個數，
4.2 多輸入通道的合并
多通道輸入資料：通道的來源
RGB三個通道的合并，才闡述了整個圖片的綜合特征，因此，卷積的“積”會會三個通道的”積”進行累加合并，
第1層是第一個卷積核的輸出，
第2層是第二個卷積核的輸出，
第5章 多個卷積核的輸出：多通道輸出
5.1 通道的拓展
在輸入圖片時，通道是指：R,G,B三個顏色通道
在卷積層內部，通道是指：隸屬于每個獨立的神經元，通道數就是神經元的個數，
5.2 每個輸出通道來自一個卷積核
每個卷積核的輸出圖形，都被原始圖形小，分別是原始圖形中某一個種特征，是原始圖形的部分資訊，而不是全部像素資訊，
5.3 特征圖：通道的本質是某一角度的特征
第6章 卷積的引數計算
6.1 特征圖尺寸的計算公式
、
6.2 卷積核引數共享
（1）引數共享的好處
引數共享能夠很好的降低全連接網路的過擬合
引數共享也可以極大的降低引數的個數
（2）全連接網路中批量樣本計算時的引數共享
（3）卷積核的引數共享
第7章 卷積對圖形變換
第8章 池化層
備注：池化不進行矩陣運算，而只是選擇部分資料輸出，
每個區域選擇最大值：選擇特征最大的值，是特征最明顯的特征，
第9章 全連接的dropout
作者主頁(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客
本文網址：https://blog.csdn.net/HiWangWenBing/article/details/120806277
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/321478.html
標籤：其他
下一篇：PyTorch學習Lesson3