深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

左边10的部分表示较亮的部分,可以看到将左边图片中间的线-->右边图片扩大加粗了。

深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

 

区分 两者的变化。

 深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

 

深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

 

2、padding的意义:(n+2p-(f-1))**2    有步长[(n+2p-f)/s ]+1

      第一、防止图片经过多次卷积之后大小变的很小

  第二、公平对待图片中所有的信息,不会偏心于中心区域的图片

3、valid 卷积:不使用padding
  same卷积:使用padding,使得结果大小和初始大小相同。

     tricks:卷积核大小一般是奇数,padding更方便,并且可以明确卷积核的位置中心。

4、机器学习惯例:卷积通常不会经过对角线翻转的操作,直接各元素乘积求和即可。

 5、三维卷积:注意最后一层是1层哦,每一次卷积是27个数字同时进行汇总成为一个数字,形成了最后的一维

深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

 

深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

单层多维卷积的大小:

深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

 

卷积的好处:稀疏连接,权值共享,善于捕捉平移不变性

 

上一篇:倒计时 不加锁 老代码


下一篇:D(X)=E(X^2)-E^2(X)