ElitesAI·动手学深度学习动手学深度学习PyTorch版版-第二次打卡第二次打卡task03
1、卷积神经网络基础：、卷积神经网络基础：
1.1 二维卷积操作：二维卷积操作：
二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺
寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算
的例子，阴影部分分别是输入的第一个计算区域、核数组以及对应的输出。
其中。卷积核为2✖2.输入为3×3，步长为1，所以得到的输出为2×2.
卷积层得名于卷积运算，但卷积层中用到的并非卷积运算而是互相关运算。我们将核数组上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。由于卷积层的
核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。
1.2 特征图与感受野特征图与感受野
二维卷积层输出的二维数组可以看作是输入在空间维度（宽和高）上某一级的表征，也叫特征图（feature map）（简单来说就是通过卷积得到的结果向量简单来说就是通过卷积得到的结果向量）
影响元素的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做的感受野（receptive field）（简单来说就是卷积操作的输入的所有向量简单来说就是卷积操作的输入的所有向量）
以上图为例，输入X中阴影部分的四个元素是输出Y中阴影部分元素的感受野。我们将图中形状为2×2的输出记为Y，将与另一个形状为2×2的核数组做互相关运算，输出单个元素Z。
那么，Z在Y上的感受野包括Y的全部四个元素，在输入上的感受野包括其中全部9个元素。可见，我们可以通过更深的卷积神经网络使特征图中单个元素的感受野变得更加广阔，从
而捕捉输入上更大尺寸的特征。
1.3 填充（填充（padding）和步幅（）和步幅（stride））
填充就是在进行卷积运算之后，都会对输入进行降维，但是有时候图像的边缘信息同样很重要，所以我们需要使用padding的技术。也就是保证边缘信息。对图像周围像素进行扩充
补0操作，使得卷积操作之后维度仍然与图片原尺寸一致。
通过这种填充可知，我们可以通过通过这种填充可知，我们可以通过
padding
和和
stride
将输出将输出
·
图片的尺寸变换为许多指定尺寸的输出。图片的尺寸变换为许多指定尺寸的输出。
1.4 多输入通道和多输出通道多输入通道和多输出通道
多输入通道多输入通道
卷积层的输入可以包含多个通道，图4展示了一个含2个输入通道的二维互相关计算的例子。
注意：只有在最后一层和全连接层连接时，才会将所有的卷积核得到的值相加（这一句有一些表述不当，等我什么时候再做修改）
1.5 卷积核为卷积核为1
资源评论
weixin_38718262
- 粉丝: 9
- 资源: 950
最新资源
- YOLOv8完整网络结构图详细visio
- LCD1602电子时钟程序
- 西北太平洋热带气旋【灾害风险统计】及【登陆我国次数评估】数据集-1980-2023
- 全球干旱数据集【自校准帕尔默干旱程度指数scPDSI】-190101-202312-0.5x0.5
- 基于Python实现的VAE（变分自编码器）训练算法源代码+使用说明
- 全球干旱数据集【标准化降水蒸发指数SPEI-12】-190101-202312-0.5x0.5
- C语言小游戏-五子棋-详细代码可运行
- 全球干旱数据集【标准化降水蒸发指数SPEI-03】-190101-202312-0.5x0.5
- spring boot aop记录修改前后的值demo
- 全球干旱数据集【标准化降水蒸发指数SPEI-01】-190101-202312-0.5x0.5
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
