卷积神经⽹络的层数⼀般超过三层_卷积神经⽹络CNN的意义 离婚冷静期细则
⼀、选⽤卷积的原因局部感知简单来说，卷积核的⼤⼩⼀般⼩于输⼊图像的⼤⼩(如果等于则是全连接)，因此卷积提取出的特征会更多地关中航工业航宇救生装备有限公司
注局部 —— 这很符合⽇常我们接触到的图像处理。⽽每个神经元其实没有必要对全局图像进⾏感知，只需要对局部进⾏感知，然后在更⾼ 层将局部的信息综合起来就得到了全局的信息。
参数共享参数共享最⼤的作⽤莫过于很⼤限度地减少运算量了。 多核⼀般我们都不会只⽤⼀个卷积核对输⼊图像进⾏过滤，因为⼀个核的参数是固定的，其提取的特征也会单⼀化。这就有点像是我们平时
如何客观看待事物，必须要从多个⾓度分析事物，这样才能尽可能地避免对该事物产⽣偏见。我们也需要多个卷积核对输⼊图像进⾏卷积。 ⼆、卷积神经⽹络中的参数计算举例1：
ANTIGLOBALIZATION
⽐如输⼊是⼀个32x32x3的图像，3表⽰RGB三通道，每个filter/kernel是5x5x3，⼀个卷积核产⽣⼀个feature map，下图中，有6个
5x5x3的卷积核，故输出6个feature map(activation map)，⼤⼩即为28x28x6。
下图中，第⼆层到第三层，其中每个卷积核⼤⼩为5x5x6，这⾥的6就是28x28x6中的6，两者需要相同，即每个卷积核的“层数”需要与输⼊的“层数”⼀致。有⼏个卷积
马恒昌
举例2：
NxN⼤⼩的输⼊(暂时不考虑通道数)，与FxF⼤⼩的卷积核(暂时不考虑个数)做卷积，那么输出⼤⼩为多⼤？计算公式为：(N - F) / stride
+ 1，其中stride为做卷积是相邻卷积核的距离。
举例3：
当输⼊为7x7⼤⼩，卷积核为3x3，stride=1，在7x7周围补上⼀圈0(pad=1个像素)，那么输出⼤⼩为多⼤？
是7x7。
举例3：
输⼊为32x32x3，卷积核⼤⼩为5x5，总共有10个卷积核，做卷积的时候stride=1，pad=2，那么这⼀层总共含有多少参数？每个卷积核含有的参数个数为：5*5*3 +
总结：
其中，卷积核的数量K⼀般是2的整数次幂，这是因为计算⽅便(计算机计算2^n⽐较快)
付余楠楠
关于池化层的参数计算：
Pooling 的意义，主要有两点：
其中⼀个显⽽易见，就是减少参数。通过对 Feature Map 降维，有效减少后续层需要的参数。另⼀个则是 Translation Invariance。它表⽰对于 Input，当其中像素在邻域发⽣微⼩位移时，Pooling Layer 的输出是不变的。这就使⽹络的鲁棒性增强了，有⼀定抗扰动的作⽤。参考：
三、边界填充问题卷积操作有两个问题：
1. 图像越来越⼩；
2. 图像边界信息丢失，即有些图像⾓落和边界的信息发挥作⽤较少。因此需要padding。
卷积核⼤⼩通常为奇数⼀⽅⾯是为了⽅便same卷积padding对称填充，左右两边对称补零；n+2p-f+1=np=(f-1)/2另⼀⽅⾯，奇数过滤器有中⼼像素，便于确定过滤器的位置。
诉求对象两种padding⽅式："same"/"valid"
“VALID”只会丢弃最右边⽆法扫描到的列(或者最底部⽆法扫描到的列)。
“SAME”试图在左右添加padding，但如果列添加的数量是奇数，则将额外的添加到右侧(即保持双数时，左右padding相通，偶数时，右
侧/底部 ⽐ 左侧/顶部 多1)，在垂直⽅向同理)。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议