前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >[DeeplearningAI笔记]卷积神经网络4.11一维和三维卷积

[DeeplearningAI笔记]卷积神经网络4.11一维和三维卷积

作者头像
演化计算与人工智能
发布2020-08-14 14:28:11
9170
发布2020-08-14 14:28:11
举报

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
14*14*3

的三通道图像,使用 32 个

5*5*3

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

10*10*32

大小的特征图。

  • 对于 1D 卷积而言,假设原始图像为
14*1

的单通道灰度图像,使用 16 个

5*1*1

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

10*16

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

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-05-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 DrawSky 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 4.4 特殊应用:人脸识别和神经网络风格转换
    • 4.11 一维和三维卷积
      • 参考资料
      相关产品与服务
      图像处理
      图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档