卷积核是奇数的原因

最新推荐文章于 2024-09-18 12:10:57 发布
原创 最新推荐文章于 2024-09-18 12:10:57 发布 · 177 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

吴恩达的DeepLearning课程深入探讨了卷积神经网络中填充(padding)的两个关键作用。首先，当过滤器大小为奇数时，可以从图像两侧进行对称填充，保持图像尺寸的完整性。其次，奇数大小的过滤器具有明确的中心像素，便于确定位置，简化计算过程。

吴恩达的DeepLearning课程讲了两个原因：

一是padding的原因，如果f是奇数，就可以从图像的两边对称的padding。
二是奇数的f 有明确的锚点（central pixel ）可以方便的确定position。

卷积核大小为什么都是奇数？
优快云 精品推荐
08-08 669
在卷积神经网络中，卷积核是由模型学习的参数，用于对输入数据进行卷积操作，从而在不同的位置上提取不同的特征。每个卷积核的权重值是模型通过训练学习得到的，不同的卷积核可以学习不同的特征，如边缘、纹理、颜色变化等。在卷积神经网络中，通常会有多个卷积核，每个卷积核负责提取不同的特征。使用奇数大小的卷积核可以确保有一个唯一的中心点，避免了模糊边界的问题，因为如果卷积核大小为偶数，中心点将无法精确定位。如果卷积核大小为偶数，那么它的中心点将无法在像素的中间对齐，可能会导致特征提取的偏移问题，影响特征的准确性。
CNN-卷积核大小是奇数的原因
weixin_54814385的博客
10-26 1731
CNN 卷积核大小是奇数的原因
笔记1：使用奇数卷积核的原因
陶陶name
08-11 1005
在CNN中我们通常会使用3×3、5×5、7×7等奇数的卷积核，而很少见过使用2×2、4×4等偶数的卷积核的，这是为什么呢？ 原因如下： 1.在对图像进行卷积时，为了尽量的减少特征的损失。此时对图像进行卷积，使得卷积前后的图像的大小同输入一样保持不变。故我们需要进行padding。现在我们设输入图像的大小为n×n，卷积核大小为k×k，padding的大小就为（k-1）/2,根据卷积公式： ...
卷积核为何是奇数
sinat_28916141的博客
04-06 607
为什么CNN中的卷积核一般都是奇数 为什么CNN中的卷积核一般都是奇奇数奇数，没有偶数偶数的？ 咱们经常见到的多为 3 * 3、55;怎么从来没有见过 44，6*6 之类的卷积核？无论奇数 or 偶数，都是能够做卷积的呀 之前学习的时候真的没有想过这些问题，再复习时，觉得全是 Why?说明之前还是没有搞明白 从AlexNet模型的1111、55、33，还有VGG开始统一卷积核为33，再到之后的模型，都没有用过 偶数偶数的卷积核，说明它是有问题的，或者是没有 奇数奇数的方便 这一串的问题，原因有两个： 1.保
cnn 卷积核为什么都是奇数
无左无右的博客
06-30 1405
原因1： 奇数相对于偶数，有中心点，对边沿、对线条更加敏感，可以更有效的提取边沿信息。 偶数也可以使用，但是效率比奇数低。在数以万计或亿计的计算过程中，每个卷积核差一点，累计的效率就会差很多。 或者解释： 《数字图像处理 (第三版)》(阮秋琦翻译)p89 也可以使用偶数尺寸的滤波器，或使用混合有偶数尺寸和奇数尺寸的滤波器。但是，使用奇数尺寸的滤波器可简化索引，并更为直观，因为滤波器的中心落在整...
为甚么卷积核都是奇数个数
qq1376725255的专栏
05-06 443
有两个原因 1.在输入和输出尺寸一致的情况下，为了保持padding是整数，filter的尺寸必须是奇数 这里是由公式推导而来 注：显然我们要保持padding是整数，不然会导致padding不对称 2.奇数卷积核对称，偶数卷积核不对称。 ...
奇数卷积核VS偶数卷积核
01-06
在跑一份代码时，效果一直提升不上去，偶然将3 * 3的卷积核换成了4 * 4的卷积核，...2.奇数卷积核和偶数卷积核 “Convolution with even-sized kernels and symmetric padding” 这篇论文，解释了偶数卷积核对网络的影
卷积核详解
最新发布
培根芝士的专栏
09-18 1195
卷积核（Convolution Kernel），简单来说，就是在进行图像处理或信号处理时，用来“扫描”或“滑动”过原始数据（比如一张图片）的一个小型矩阵。这个矩阵里面包含了一些数值，这些数值在滑动过程中与原始数据对应位置的数值进行特定的数学运算（通常是乘法后求和），从而生成新的数据或特征。
为什么卷积核通常都是奇数（1x1、3x3...）
01-20 2425
1，为了方便same padding时的处理。如步长为1时，要补充k-1的zero padding才能使输出输出的尺寸一致，这时候如果核大小k是偶数，则需要补充奇数的zero padding，不能平均分到feature map的两侧。 padding时对称：保证了 padding 时，图像的两边依然相 对称 。 在卷积时，我们有时候需要卷积前后的尺寸不变。这时候我们就需要用到padding。假设图像的大小，也就是被卷积对象的大小为nn，卷积核大小为kk，padding的幅度设为(k-1)/2时，卷积后的输
为何卷积核都是奇数正方形
熊叔0047的博客
08-22 1021
网上搜了一下，我个人的理解如下： 如果卷积核为偶数，会让左右之间抵消的情况发生的可能性更大，而奇数卷积核能够避免这个情况，更突出中心像素。 ...
eeconv2(kernel,targ​etMat):使用扩展边缘填充对图像执行 2D 卷积-matlab开发
05-29
结果 = eeconv2（内核，targetMat） 我想要一个程序使用边缘扩展而不是 MATLAB 默认的零填充来使内核（内核）与图像（targetMat）进行卷积； 生成的矩阵（结果）与原始图像大小相同。 该程序不需要任何工具包。 它假设： -kernel 是奇数（例如，3x3、5x7）所以有一个中心像素- 最小内核为 3x3 - 最大内核是目标矩阵的大小 这是我第一个这样的程序； 让我知道它是否有用，如果您有问题，以便我可以解决它们。 谢谢！
【深度学习】卷积核 为什么都是 奇数size
JNing
04-24 7731
【深度学习】卷积核 为什么都是 奇数size
深度学习: 卷积核（滤波器）为什么都是奇数？
q1234luo的博客
05-13 5397
卷积核一般都把size设为奇数，主要有以下两个原因：1.保证了锚点（卷积核的中心）刚好在中间，方便以模块中心为标准进行滑动卷积。2.保证了padding时，图像的两边依然相对称。...
为什么CNN中的卷积核一般都是奇数
toutuo
04-25 5018
本博客只用于自身学习，如有错误，虚心求教！！！ 为什么CNN中的卷积核一般都是奇奇数*奇数，没有偶数*偶数的？ 咱们经常见到的多为 3 * 3、5*5;怎么从来没有见过 4*4，6*6 之类的卷积核？无论奇数 or 偶数，都是能够做卷积的呀 之前学习的时候真的没有想过这些问题，再复习时，觉得全是 Why?说明之前还是没有搞明白 从AlexNet模型的11*11、5*5、3*3，还有V...
为什么卷积核一般是奇数的正方形
tortelee的博客
07-03 6874
本文翻译，原网址：https://datascience.stackexchange.com/questions/23183/why-convolutions-always-use-odd-numbers-as-filter-size卷积运算，简单地说，是两个矩阵的元素乘积的组合。只要这两个矩阵在维度上是一致的，就不应该有问题，所以我可以理解你的查询背后的动机。A.1然而，卷积的意图是根据滤波器或...
为什么卷积核size通常都是奇数
lzz555517的博客
08-24 1904
为什么卷积核size通常都是奇数 本博客用于自我学习，如有错误，烦请指教！ 在卷积神经网络模型中卷积核大小一般都是偶数，很少有奇数或者没有奇数得卷积核，这是为什么呢？ LeNet()卷积核大小55,AlexNet模型(2012)中用到1111，55，33，VGG(2014)系列用得都是33大小卷积核,ResNet(2015)使用33大小卷积核等等，都是使用奇数得卷积核。 原因有2： 1. 保证锚点在中间 锚点也就是卷积核滑动时得中心点，一个参考点，奇数大小的卷积核刚好是中心位置，避免位置信息发生偏移，在CN
深度学习: 卷积核尺寸size为什么是 奇数
u010899985的博客
08-10 6830
卷积核一般都把size设为奇数，主要有两个原因： 保证 锚点 刚好在中间，方便以 central pixel 为标准进行滑动卷积，避免了位置信息发生 偏移 。 保证填充（Padding），在图像之间添加额外的零层，图像的两边相 对称，以使输出图像的大小与输入相同。 padding方式“SAME”和“VALID “VALID”：只会丢掉最右边的列（或最底部的行） “SAME”：...
深度学习: 卷积核（滤波器）为什么都是奇数
北冥有小鱼
07-30 3348
卷积核一般都把size设为奇数，主要有以下两个原因： 1.保证锚点（卷积核的中心）刚好在中间，方便以模块中心为标准进行滑动卷积。 2.保证了padding时，图像的两边依然相对称...
【CNN系列】卷积核为何通常是奇数*奇数
XYKenny的博客
07-27 1433
一、解答1：更容易padding！ padding时对称：保证了 padding 时，图像的两边依然相 对称 。 在卷积时，我们有时候需要卷积前后的尺寸不变。这时候我们就需要用到padding。假设图像的大小，也就是被卷积对象的大小为nn，卷积核大小为kk，padding的幅度设为(k-1)/2时，卷积后的输出就为(n-k+2*((k-1)/2))/1+1=n，即卷积输出为n*n，保证了卷积前后尺...
卷积核的个数是否最好是奇数
06-10
卷积核的个数最好不必是奇数或偶数，而是根据具体问题来决定。在卷积神经网络中，卷积核的个数通常是作为超参数来确定的，既可以是奇数也可以是偶数。 卷积核的个数决定了每个卷积层的输出通道数，越多的卷积核可以...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值