[DeeplearningAI笔记]卷积神经网络4.11一维和三维卷积

4.4 特殊应用:人脸识别和神经网络风格转换

“吴恩达老师课程原地址[1]

4.11 一维和三维卷积

二维和一维卷积

• 对于 2D 卷积来说，假设原始图像为

的三通道图像，使用 32 个

的卷积核(其中 3 表示通道数，一般只关注感受野的大小，而卷积核的深度大小与输入的通道数相同)进行卷积，则得到大小为

大小的特征图。

• 对于 1D 卷积而言，假设原始图像为

的单通道灰度图像，使用 16 个

的卷积核(因为处理的是单通道图像，所以第一层卷积核的最后一维度为 1)进行卷积，则得到大小为

的特征图，其中 10 表示列的数量，1 维数据行的数量默认为 1,16 表示通道数，与进行处理的卷积核数量一致。

3D 卷积

• 以 CT 图片为例，以 X 光照射人体，可以获得贯穿你身体的不同片段图片。本质上这个数据是三维的，其具有高度，宽度和深度，其中的每一张图片都与人体不同深度的切片相对应。

• 注意 3D 卷积和 2D 卷积一样长宽和高并不一定要相等，其在长宽和高上都有维度，卷积核的长宽和高在维度上也不一定要一致

参考资料

[1]

吴恩达老师课程原地址: https://mooc.study.163.com/smartSpec/detail/1001319001.htm