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1.4-1.5Padding与卷积步长

[DeeplearningAI笔记]卷积神经网络1.4-1.5Padding与卷积步长

作者头像
演化计算与人工智能
发布2020-08-14 15:05:35
7370
发布2020-08-14 15:05:35
举报

1.4Padding

  • 一张
6*6

大小的图片,使用

3*3

的卷积核设定步长为 1,经过卷积操作后得到一个

4*4

的图像。

特征图大小公式

  • 设定原始图像大小为
n*n

,卷积核大小为

f*f

,则经过卷积操作后特征图大小为

(n-f+1)*(n-f+1)

不使用 Padding 的缺点

  • 经过卷积操作后图像会缩小.
  • 如果你注意角落边的像素,则此像素点只会被卷积核触碰一次。即只会在第一次卷积操作时被卷积核扫描.这意味着会丢失图像边缘的很多信息.
  • 但是对于原始图像中心的像素点,在每次卷积操作时都会被扫描。卷积核的感受野会扫描此位置多次.

使用 Padding 进行维度的填充

  • 为了使每次卷积操作后大小不会丢失,使用 0 填充在原始图像的外围。
  • 假设 p 作为填充在原始图像外围的 Padding 大小,则经过卷积操作后的特征图大小为
(n+2p-f+1)*(n+2p-f+1)

Padding 填充大小公式

  • 如果需要使经过卷积后的特征图大小保持不变,则填充大小需要满足公式
n+2p-f+1=n

p=\frac{(f-1)}{2}
  • 所以只要 f 即卷积核的边长是奇数,则能保证输出的特征图大小与原图像大小相等。

通常使用奇数维度的过滤器大小

  • 通常使用奇数维度的过滤器大小,这样可以使 SAME Padding 后的图像有自然的填充而不是出现小数维度。
  • 奇数维度的卷积核具有中心点,便于指出过滤器的位置。

1.5 卷积步长

示例

  • 在此例子中选择
7*7

的图像,2 作为步长,使用

3*3

的卷积核,最终得到一个

3*3

的特征图。

特征图大小公式

\lfloor\frac{(n+2p-f)}{s}+1\rfloor*\lfloor\frac{(n+2p-f)}{s}+1\rfloor
  • 其中 n 为原始图像大小,p 为 Padding 填充维度,f 为卷积核维度,s 为步长
  • 当出现得到的结果不是整数时,可以采用向下取整的方式使其维度为整数

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:2020-05-24,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
  • 1.4Padding
    • 特征图大小公式
      • 不使用 Padding 的缺点
        • 使用 Padding 进行维度的填充
          • Padding 填充大小公式
            • 通常使用奇数维度的过滤器大小
            • 1.5 卷积步长
              • 示例
                • 特征图大小公式
                  • 参考资料
                  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