卷积相关知识
一、卷积后特征图大小
1.卷积后尺寸计算
- 卷积核大小 \(F\times F\)
- 输入图片大小 \(W\times W\)
- 步长 S
- padding大小 P
输出特征图大小为 \(N\times N\)
\(N = (W-F+2\times P)/S + 1\)
2.池化后尺寸计算
- 卷积核大小 \(F\times F\)
- 输入图片大小 \(W\times W\)
- 步长 S
输出特征图大小为 \(N\times N\)
\(N = (W-F)/S + 1\)
二、典型的卷积神经网络技巧
1. 使用多层小尺寸卷积核代替大尺寸卷积核
VGG16相比于AlexNet的一个改进是采用3个\(3\times 3\)的卷积核代替AlexNet中较大的\(7\times 7\)卷积核,采用2个\(3\times 3\)的卷积核代替AlexNet中较大的\(5\times 5\)卷积核。这样做的目的是在具有相同感受野的条件下,多层非线性层可以增加网络深度来保证学习更复杂的模式,并且参数更少。
另外VGG提出了VGG块,在每个VGG块中输入和输出通道相同,模块化的思想使其结构简洁;验证了通过不断加深网络结构可以提升性能;但VGG块参数更多,绝大多数参数都是来自于第一个全连接层,VGG有3个全连接。
2.激活函数的作用
增加模型的非线性表达能力
3.1*1卷积核的作用
在NIN中提出:
在二维卷积层后添加了两个\(1\times 1\)卷积。
a.在不改变特征图尺寸的前提下去改变通道数(升维降维)
b.增加了网络局部模块的抽象能力;
c.跨通道特征融合
- 卷积层中的卷积层的通道C只能设定为该层输入数据的通道C,而大小可以自定义(FH,FW);
- 卷积层中的卷积核的数量FN==输出特征图的通道数;
2.全局池化
在NIN中使用GAP
a.相对于全连接层(充当另一个黑盒子),相比之下通过强制执行特征图和类别之间的对应关系,相对于卷积结构更为原生, 可以明确地将特征图强制为概念(类别)的置信度图。
b.全局平均池化汇总了空间信息,因此对输入的空间转换更加健壮;
c.在全局平均池化中没有要优化的参数,因此在此层避免了过拟合。
参考链接:
1.一文读懂VGG网络
2.1维卷积核有什么作用?
如果你觉得博客内容有帮助,请收藏书签。
版权声明:转载文章之后必须在文章页面给出原文连接(创意共享3.0许可证)
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· 单线程的Redis速度为什么快?
· 展开说说关于C#中ORM框架的用法!
· Pantheons:用 TypeScript 打造主流大模型对话的一站式集成库
· SQL Server 2025 AI相关能力初探