9.1 卷積過程
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLicmbw5yYjNGO5ETYmRzYjBzMhZ2Y1kzM3UDZhRjNmFjMwQDN38CX0JXZ252bj91Ztl2Lc52YucWbp5GZzNmLn9Gbi1yZtl2Lc9CX6MHc0RHaiojIsJye.png)
9.2 卷積層參數
- 輸入大小為:W1 x H1 x D1
- 需要指定的超參數:filter個數(K),filter大小(F),步長(S),邊界填充(P)
- 輸出:
9.深度學習之卷積神經網絡-2
9.2.1 多輸入和輸出通道
- 當輸入資料含多個通道時,需要構造一個輸入通道數與輸入資料的通道數相同的卷積核,進而能夠與含多通道的輸入資料做互相關運算
- 當輸入通道有多個時,因為對各個通道的結果做了累加,是以不論輸入通道數是多少,輸出通道數總是為1
9.深度學習之卷積神經網絡-2
卷積層需要設定卷積核對應的大小、步長、個數以及填充的方式,如表所示
9.3 1 X 1卷積層
- 實作資訊的跨通道互動和整合
9.深度學習之卷積神經網絡-2
9.3.1 1 x 1卷積作用
- 對卷積核通道數進行降維和升維,減小參數量
9.深度學習之卷積神經網絡-2
9.4 池化層
- 池化層又稱為降采樣層
9.深度學習之卷積神經網絡-2 - 通常包括最大池化(Max Pooling)和平均池化(Mean Pooling)
9.深度學習之卷積神經網絡-2 - 填充和步幅
- 同卷積層一樣,池化層也可以在輸入的高和寬兩側的填充并調整視窗的移動步幅來改變輸出形狀。
- 池化層填充和步幅與卷積層填充和步幅的工作機制一樣。
- 多通道
- 在處理多通道輸入資料時,池化層對每個輸入通道分别池化
卷積神經網絡