卷积层 convolutional networks
卷積層 convolutional networks
卷積層的濾波器（filter）（或稱：卷積核（kernel）），假設(shè)其尺寸是 5×5×35 \times 5 \times 35×5×3（寬高都是5像素，深度是3）。在前向傳播的時候，濾波器在輸入數(shù)據(jù)的寬度和高度上滑動（更精確地說是卷積），然后計算整個濾波器和輸入數(shù)據(jù)任一處的內(nèi)積。
當(dāng)濾波器沿著輸入數(shù)據(jù)的寬度和高度滑過后，會生成一個2維的激活圖（activation map），激活圖給出了在每個空間位置處濾波器的反應(yīng)。直觀地來說，網(wǎng)絡(luò)會讓濾波器學(xué)習(xí)到當(dāng)它看到某些類型的視覺特征時就激活，具體的視覺特征可能是某些方位上的邊界，或者某些顏色的斑點(diǎn)，甚至可以是網(wǎng)絡(luò)更高層上的蜂巢狀或者車輪狀圖案。
卷積核
卷積核的4個超參數(shù)：
-
濾波器的數(shù)量 KKK
-
濾波器的空間尺寸 FFF
-
步長 SSS
-
零填充數(shù)量 PPP
輸入數(shù)據(jù)體的尺寸為 : W1×H1×D1W_1 \times H_1 \times D_1W1?×H1?×D1?
輸出數(shù)據(jù)體的尺寸為：W2×H2×D2W_2 \times H_2 \times D_2W2?×H2?×D2?
其中：
D2=KD_2 = KD2?=K
W2=(W1?F+2P)/S+1W_2 = (W_1-F+2P)/S+1W2?=(W1??F+2P)/S+1
H2=(H1?F+2P)/S+1H_2 = (H_1-F+2P)/S+1H2?=(H1??F+2P)/S+1
卷積過程
卷積效果
卷積的作用主要是：通過卷積運(yùn)算，可以使原信號特征增強(qiáng)，并且降低噪音，提取圖像的特征。
圖像在不同卷積核上進(jìn)行卷積之后的效果圖如下：
總結(jié)
以上是生活随笔為你收集整理的卷积层 convolutional networks的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
