作者主页(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
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120808864
目录
第1章 单个全连接神经元与卷积核神经元的结构比较
以第一个卷积层(28,28,64)和第一个全连接层1024为例。
1.1 全连接神经元
(1)一维向量模型
输入尺寸: (X) = (640)
全连接神经元:(X) = (640) # 与输入尺寸完全相同
输出尺寸: (X) =(1) # 固定尺寸1
(2)等效的三维全连接模型
输入尺寸: (X, Y, Z) = (5, 5, 64)
全连接神经元: (X, Y, Z) = (5, 5, 64) # 其尺寸与输入尺寸完全相同。
输出尺寸: (X) = 1 # 固定尺寸1,所有输入合并,所有通道合并
(3)等效的三维卷积核模型
输入尺寸: (X, Y, Z) = (5, 5, 64)
卷积核神经元:(X, Y, Z) = (5, 5), # 卷积核尺寸与输入数据尺寸相同,64个通道被合并
输出尺寸: (X, Y) = (1, 1) # 固定尺寸1
备注:卷积核比全连接了通道维度,因此卷积实现全连接所需要的参数要少很多倍。
1.2 卷积核神经元(多维模型)
输入尺寸: (X, Y, Z) = (32, 32, 3)
卷积核神经元:(X, Y) = (5, 5) # 其尺寸远远小于输入尺寸, 3个通道被合并
输出尺寸: (X, Y) = (28, 28) # 由卷积核尺寸、输入尺寸、移动步长、填充尺寸调整。
第2章 全连接网络与卷积网络的结构比较
2.1 全连接网络
(1)一维向量模型
输入尺寸: (X) = (640)
单全连接神经元:(X) = (640) # 与输入尺寸完全相同
单神经元输出: (X) = (1)
全连接网络: (X, Y) = (640, 1024) # X维度与输入相同,Y维度与输出相同
输出尺寸: (X) = (1024) # 尺寸与神经元的个数相同
(2)三维扩展模型
输入尺寸: (X) = (5, 5, 64)
单全连接神经元:(X) = (5, 5, 64) # 与输入尺寸完全相同
单神经元输出: (X) = (1) # 所有输入合并,所有通道合并
全连接网络: (X, Y) = (640, 1024) # X维度与输入相同,Y维度与输出相同
输出尺寸: (X) = (1024) # 尺寸与神经元的个数相同
(3)卷积等效网络
输入尺寸: (X) = (5, 5, 64)
卷积核神经元: (X) = (5, 5) # 与输入尺寸必须完全相同,步长为1
卷积核输出: (X) = (1, 1) # 64个通道合并
卷积网络: (X, Y, Z) = (5,5, 1024) # X维度与输入相同,Y维度与输出相同
输出尺寸: (X, Y) = (1, 1, 1024) # 尺寸与神经元的个数相同
备注:卷积网络要比全连接网络少很多倍的参数。
2.2 卷积核网络
输入尺寸: (X, Y, Z) = (32, 32, 3)
卷积核尺寸: (X, Y) = (2, 2)
卷积核输出尺寸: (X, Y) = (28, 28) # 取决于迭代步长、卷积核尺寸,输入尺寸
卷积核网络尺寸: (X, Y, Z ) = (2, 2, 64) # 其中(n-X, n-Y) 远远小于(i-X, i-Y),(n-Z)与输出支持相同
卷积网络输出尺寸: (X, Y, Z) = (28, 28, 64) #取决于迭代步长、卷积核尺寸,输入尺寸, 卷积核个数
2.3 卷积+全连接网络
第3章 全连接网络与卷积网络的性能比较
比较 | 全连接网 | 卷积网络 |
拟合程度 | 容易过拟合 | 容易欠拟合 |
神经元参数个数 | 与输入数据尺寸一致 | 非常小,卷积核的大小 |
单个运算量 | 取决于输入数据的尺寸 | 取决于输出数据的尺寸 |
作者主页(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
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/120808864