本文介绍了卷积神经网络（CNN）的优势，如何通过padding保持图像大小不变，卷积计算原理，特征处理，以及 stride 和 pool 的选择。深入探讨了卷积层、池化层和全连接层在图像处理中的作用，同时提供了斯坦福大学CS231n课程的相关示例链接。
卷积
1、卷积神经网络vs深度神经网络
训练卷积层，因为卷积层更能保持输入的空间结构。对于这一点，我的理解是：卷积神经网络处理图片的时候是将整幅图都作为输入，不会破坏图的这种结构，而用普通的深层神经网络，就是在利用每个像素的信息单独的进行处理，破坏了图像像素之间的信息。
2、对于常见大小的一些卷积核，如何选择padding才能保证卷积的结果保持原图像的大小不变呢？
3*3的卷积核，padding=1；5*5的卷积核，padding=2；7*7的卷积核，padding=3
3、图像卷积到底是怎么进行计算相加的？
padding、stride、filter、input分别为p、s、f、n
padding是在原图片外围加若干圈像素值，stride是卷积核在图像上移动的步长，filter是卷积核，filter和input上对应位置做点乘，得到的若干个值相加映射到output上
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
