卷积神经网络的padding（四）

已于 2022-07-13 20:01:26 修改
阅读量332 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习 文章标签： cnn 大数据 人工智能
于 2022-07-13 19:35:09 首次发布
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。
本文链接：https://blog.youkuaiyun.com/monk96/article/details/125771078
本文探讨了深度学习中为解决边缘误差而采用的边界填充技术，通过填充确保边界点的计算次数与中间点一致。同时，介绍了参数共享的概念，用于减少模型参数数量，例如在卷积神经网络中，不同位置的特征图使用相同的权重，降低计算复杂性。此外，还简要提及了池化层的作用，它能压缩特征图并保持关键信息。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

边界填充

  • 弥补边缘点计算次数比中间少引起的边缘误差，使得边界点变成中间点在这里插入图片描述

计算公式

在这里插入图片描述

参数共享

  • 每个特征图的参数都是一样的，如10 * 55 * 3 有十个特征图参数，即每个特征用3层rgb提取， 所以参数总共 55*3 *10 = 750 个参数
  • 加上b的偏置项目， 10个特征有10个 所以总共参数为760个在这里插入图片描述

池化

  • 对每个特征图进行压缩，也叫压缩层，下采样。
  • 不改变特征图个数
  • 在这里插入图片描述
计算机视觉卷积神经网络CNN架构设计指南：如何构建高效的视觉模型？
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
04-20 11万+
计算机视觉CNN架构设计指南：如何构建高效的视觉模型？人工智能、大模型、AI、计算机视觉领域，卷积神经网络（Convolutional Neural Network，CNN）已成为主导性的模型架构。从图像分类到目标检测，从语义分割到图像生成，CNN 展现出了强大的性能。构建一个高效的 CNN 视觉模型，不仅需要对其基本原理有深入理解，还需要掌握一系列架构设计技巧。本文将详细探讨如何构建高效的 CNN 视觉模型，涵盖从基础概念到复杂架构设计的各个方面，并通过丰富的代码示例帮助读者更好地理解和实践。
填充（Padding）是卷积神经网络（CNN）中一种技术，填充的主要目的是
m0_51200050的博客
06-24 1352
填充（Padding）是卷积神经网络（CNN）中一种技术，通过在输入特征图的边缘添加像素，以控制输出特征图的空间维度。
卷积神经网络（CNN）-Padding介绍
jianqimingtian的博客
10-13 1446
卷积神经网络（CNN）-Padding介绍
卷积神经网络之padding操作
热门推荐
谦小白
01-02 2万+
文章目录(一) 卷积神经网络之padding操作(1) 卷积的缺点1.1 第一个缺点：图象缩小（输出缩小）1.2 第二个缺点：图像边缘信息发挥的作用小(2) Padding2.1 padding的取值2.1.1 **Valid**卷积2.1.1 **Same**卷积(3) 总结 (一) 卷积神经网络之padding操作 为了构建深度神经网络，你需要学会使用的一个基本的卷积操作就是padding ...
卷积神经网络中的padding理解
ximu__l的博客
03-11 2690
关于神经网络中的padding
Padding（填充） ——卷积神经网络（CNN）
m0_74042340的博客
11-27 4573
在多次卷积操作中，如果不使用填充，每次卷积都会导致输出尺寸减小，最终可能使得图像的边缘信息丢失得很快。通过适当的填充，可以减缓尺寸的减小，避免信息丢失过快。是卷积神经网络（CNN）中的一个概念，它是指在输入图像的周围增加额外的边界，以便在卷积操作中更好地处理图像边缘的信息。填充通常使用零值进行填充。在进行卷积操作时，卷积核在图像边缘处可能无法完全覆盖，导致输出图像尺寸缩小。通过填充，可以确保卷积核能够涵盖图像的边缘，从而保留更多的信息。使用填充可以减缓图像尺寸的减小，有助于在深层网络中保持足够的感受野。
卷积神经网络之Padding
QQ_2642160196的博客
01-31 788
填充能解决图像边缘的像素点（如左上角的）只被卷积一次的情况，相当于被忽略了，而中间像素点却可以被多次卷积的情况。 两种Padding方式，1）Valid：代表不填充，即P=0； 2）Same：代表填充后输出矩阵的大小与原矩阵保持一致，即P = （f-1）/2 ,其中过滤器的大小为 f X f。 ...
卷积神经网络基础理论知识-pdf
10-04
卷积神经网络（CNN）是一种深度学习架构，它在图像识别、视频分析、自然语言处理等领域发挥着重要作用。CNN的核心在于其能够自动学习数据的空间层次结构，进而进行特征提取和模式识别。它由多个层次构成，包括卷积层...
卷积神经网络pdf讲义超详细
10-18
#### 四、卷积神经网络的优化技术 **4.1 批量归一化(Batch Normalization)** - **批量归一化**：这是一种常用于加速训练过程的技术。通过标准化每批次数据的分布，可以减少内部协变量偏移问题，从而提高模型的稳定...
卷积神经网络~设置padding和stride
fatfairyyy的博客
05-22 2919
更多边缘检测内容 下图所示的是垂直边缘检测的例子： 如果，这张图片被翻转了，即，使暗面在左，亮面在右，这对输出会造成什么影响？ 运算结果发生了变化，过滤器得到的计算值变成了-30。输出的结果表明，-30 --> 0 是由暗到亮的过渡而非由亮到暗的过度。如果实验的结果不在乎二者的区别，那么可以直接对输出的卷积矩阵中的值取绝对值。但这种过滤器确实可以区别两种明暗的变化。 水平垂直检测 注：对于垂直边缘检测，矩阵的第一列为1，而最后一列为-1，因此它进行卷积计算的结果会使左边较亮而右边相对较暗。 相
卷积神经网络——padding的理解
qq_38331273的博客
12-02 1596
原文链接：https://blog.youkuaiyun.com/baidu_36161077/article/details/81165531 首先看一下以下代码吧！ from keras.layers import Conv2D,Dense,Flatten from keras.models import Sequential model = Sequential() model.add(Conv2D(filters = 32,kernel_size = [3,3],strides = [1,1],padd
卷积神经网络--padding
weixin_33725272的博客
02-20 259
1. 当padding 为VALID时： 输出宽和高的公式代码为： output_width = (input_width - filter_width + 1) / strides_width; (结果向上取整) output_height = (input_height - filter_...
卷积神经网络的padding规则
ali123aa的博客
04-01 2346
卷积函数 tf.nn.conv2d 声明：这里记录的是李金洪老师《深度学习之TensorFlow》一书上的知识点 TensorFlow里使用tf.nn.conv2d函数来实现卷积，其格式如下。 tf . nn. conv2d (input, filter, strides, padding, use_ cudnn on_ gpu=None,name=None) 除去参数name参数用以指定该操...
1.4卷积神经网络笔记—Padding
qq_30979017的博客
03-01 8180
1.边缘检测的缺点6*6矩阵与3*3矩阵卷积，得到4*4矩阵。普遍规律是  n*n 卷积 f*f 得到 n-f+1 * n-f+1。但是存在两个缺点：1.卷积后的矩阵越变越小（如果卷积层100层，每一层都缩小最终得到的将是很小的图片）2.输入矩阵（左）边缘像素（绿阴影）只被计算过一次，而中间像素（红阴影）被卷积计算多次，意味着丢失图像角落信息。为了解决这两个问题，就对输入图像进行padding，即...
对卷积神经网络中padding的一点理解
Microstrong
05-18 1万+
padding的用途：（1）保持边界信息，如果没有加padding的话，输入图片最边缘的像素点信息只会被卷积核操作一次，但是图像中间的像素点会被扫描到很多遍，那么就会在一定程度上降低边界信息的参考程度，但是在加入padding之后，在实际处理过程中就会从新的边界进行操作，就从一定程度上解决了这个问题。（2）可以利用padding对输入尺寸有差异图片进行补齐，使得输入图片尺寸一致。（3）在卷积神经网...
[DeeplearningAI笔记]卷积神经网络1.4-1.5Padding与卷积步长
泛用演化计算、通用人工智能优化模型
07-19 1049
4.1卷积神经网络 觉得有用的话,欢迎一起讨论相互学习~Follow Me 1.4Padding 一张6∗66∗66*6大小的图片，使用3∗33∗33*3的卷积核设定步长为1，经过卷积操作后得到一个4∗44∗44*4的图像。 特征图大小公式 设定原始图像大小为n∗nn∗nn*n,卷积核大小为f∗ff∗ff*f，则经过卷积操作后特征图大小为(n−f+1)∗(n−f+1)(...
padding和卷积的区别_卷积神经网络--padding
weixin_32568295的博客
02-08 172
1. 当padding 为VALID时：输出宽和高的公式代码为：output_width = (input_width - filter_width + 1) / strides_width; (结果向上取整)output_height = (input_height - filter_height + 1) / strides_height; (结果向上取整)2.当pad...
卷积神经网络之padding计算
itlilyer的博客
08-01 4067
padding的模式分为SAME和VALID两种方式。下面简单介绍一下两种方式输出shape的计算方法。 tensorflow VALID 计算公式： 输出的大小直接用输入的大小减去卷积核大小，加1，然后除以步长，最后对结果向上取整。 假如输入的shape为7x7的，卷积核的大小为3x3，步长为2，这样计算出的输出shape为：3x3。对于边界上没有取到的数据直接舍弃掉。 SAME 计算公式 第一步，先用输入的大小除以步长，对结果向上取整。得到输出的shape。例如，input shape是7x7，ker
卷积神经网络padding
最新发布
12-30
### 卷积神经网络中 Padding 的使用方法及作用 #### Padding 的定义与目的 Padding 是指在输入数据周围添加额外的像素层，通常这些像素被设置为零。这一操作的主要目的是为了控制输出特征图的空间维度大小以及保留更多的边界信息[^2]。 #### 输出尺寸计算公式 当处理一个 \( n \times n \) 大小的灰度图像并应用一个 \( f \times f \) 尺寸的滤波器时，在不考虑任何填充的情况下，经过一次标准卷积后的输出矩阵宽度和高度会变为： \[ W_{out} = (W_{in}-F+1)\div S + 1\] 这里 \(S\) 表示步幅(stride)，即每次移动多少个单位；\( F \) 则代表过滤器(filter/kernel)边长。如果希望保持原始图片尺寸不变，则可以通过适当调整 padding 参数来实现这一点[^3]。 #### 常见类型的 Padding 方式 - **Valid Padding**: 不做任何形式上的补零扩展，默认情况下采用这种方式； - **Same Padding**: 添加适量数量的0值到四周使得最终得到的结果能够维持原图象相同尺度，具体来说就是让 `output size` 和 `input size` 相等或接近相等。 #### 实际应用场景下的效果展示 以 TensorFlow/Keras 中构建 CNN 层为例: ```python from tensorflow.keras.layers import Conv2D, ZeroPadding2D model.add(ZeroPadding2D(padding=(1, 1))) # 显式的增加一层 zero-padding model.add(Conv2D(filters=64, kernel_size=(3, 3), strides=(1, 1), padding='same')) # 或者直接指定 'same' 来自动完成 padding ``` 上述代码片段展示了如何显式地向模型中加入零填充层或将卷积层内的 padding 参数设为 same ，从而确保输出形状不会因为卷积而缩小太多。
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

打赏作者

东哥aigc

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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