1.5卷积神经网络笔记—strided步幅

最新推荐文章于 2025-01-07 09:39:06 发布
最新推荐文章于 2025-01-07 09:39:06 发布
阅读量3.6k 收藏 3
点赞数
CC 4.0 BY-SA版权
文章标签： deeplearning.ai 吴恩达 卷积神经网络 strided
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/qq_30979017/article/details/79410743
本文详细介绍了在深度学习中卷积计算的过程，特别是步幅(stride)为2时的计算方法及其对输出矩阵的影响，并解释了实际操作中使用的卷积实际上是数学上的互相关运算。

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

  1.步幅strided=2时卷积计算及相应公式


strided=1时，计算卷积输出矩阵不同位置的值是将滤波器矩阵（右或下）移动一格

strided=2时，计算卷积输出矩阵不同位置的值是将滤波器矩阵（右或下）移动2格如上图

所得输出矩阵s=strided=步幅，p=padding=填充数量

如果不是整数，用下取整方法（也叫对z进行地板除，对z进行向下取整到最近的整数）下取整方法：即当篮框如下图溢出输入图像矩阵（或溢出padding后矩阵）之外则不进行相乘操作，以避免输出矩阵规模不是整数情况。

2.互相关与卷积

上述计算卷积过程实际上在数学定义中是互相关运算，但是在深度学习中我们将之称为卷积。（数学中定义卷积需要对滤波器矩阵进行双重镜像操作）



w_bird
关注
计算机视觉：卷积步长(Stride)
huanfeng_AI的博客
05-27 4297
卷积操作中的步长（Stride）是指卷积核在图像上移动的步长。步长的大小直接影响卷积操作的结果和特征图的尺寸。在卷积操作中，步长的大小可以通过调整卷积核的移动步长来实现。例如，当步长为1时，卷积核每次移动一个像素；当步长为2时，卷积核每次移动两个像素，以此类推。步长的大小对卷积操作的结果和特征图的尺寸有着重要的影响。当步长较小时，卷积操作可以更加细致地提取图像特征，但是特征图的尺寸会变大，导致计算量增加。
卷积神经网络详解（卷积，padding，strided，三维卷积，池化层等知识）
qq_40243295的博客
03-27 9953
一.边缘检测 1.卷积是如何运算的？ 对应位相乘，具体方法见另一博文https://blog.csdn.net/qq_40243295/article/details/104391755 卷积运算： python中是conv_forward TensorFlow中是td.nn.conv2d kears中是Conv2D 2.为什么卷积可以做垂直边缘检测呢？卷积是如何工作的？ 如下图所...
卷积步长（strided convolutions）
csdn_xmj的博客
04-27 8877
来源：Coursera吴恩达深度学习课程 卷积中的步长（strided convolutions）是另一个构建卷积神经网络的基本操作，具体看下面一个例子。 如果你想用3×3的过滤器卷积这个7×7的图像，和之前不同的是，我们把步幅设置成了2。第一次计算你还和之前一样取左上方的3×3区域的元素的乘积，再加起来，最后结果为2×3 + 6×1 + 3×(-1) + 3×4 + 6×0 + 4×0 + 7×4 + 9×2 + 8×3 =91。第二次计算注意一下左上角（蓝色圆圈），这个点移动到其后两格的点，跳.
深度学习---卷积层中填充和步幅，多输入输出通道，1x1卷积层
qq_24503095的博客
12-21 1167
1、填充 填充是指在输入高和宽的两侧填充元素 2、步幅 卷积窗口从输入数组的最左上方开始，按从左到右，就从上往下的顺序，依次在输入数组上滑动，将每次滑动的行数和列数称为步幅。 一般，当输入形状为nh X nw，卷积核窗口形状时kh X kw，高上步幅为ShShSh，宽上步幅为SwSwSw时，输出的形状为： 3、多输入通道 当输入数据含有多个通道时，需要构造一个通道数与输入数据的通道数相同的卷...
CNN 卷积层输出尺寸计算（长、宽）
集电极
08-29 4580
公式： 卷积后，池化后尺寸计算公式： (图像尺寸-卷积核尺寸 + 2*填充值)/步长+1 (图像尺寸-池化窗尺寸 + 2*填充值)/步长+1 假设输入图片大小是（H，W）， 滤波器（卷积核）大小（FH，FW）,一般FH == FW, 填充为 P 步幅为S 输出尺寸大小（OH，OW） 则 OH = (H + 2P - FH) / S +1 OW = (W + 2P - FW) / S + 1 pytorch 卷积函数 torch.nn.Con2d(in_channels=3, out_channel
深度学习入门（二十四）卷积神经网络——填充和步幅
ElysiumAILab
11-05 3103
课件 填充 步幅 总结 课本 1 填充 2 步幅 3 小结
吴恩达深度学习笔记：卷积神经网络（Foundations of Convolutional Neural Networks）1.5-1.6
weixin_43597208的博客
08-15 1212
在这个例子中就是 6×6×3，这里的𝑛𝑐就是通道数目，然后卷积上一个𝑓 × 𝑓 × 𝑛𝑐，这个例子中是 3×3×3，按照惯例，这个（前一个𝑛𝑐）和这个（后一个𝑛𝑐）必须数值相同。它用 6×6×3 的图像，然后卷积上这两个不同的 3×3 的过滤器，得到两个 4×4 的输出，它们堆叠在一起，形成一个 4×4×2 的立方体，这里的 2 的来源于我们用了两个不同的过滤器。但到目前为止，我们所使用的是关于矩阵的卷积，例如 6×6 的矩阵。
吴恩达《深度学习专项》笔记（十）：卷积神经网络的基础构件
a119334的博客
07-24 1521
在这堂课中，我们认识了CNN的三大基础构件卷积、池化、全连接。其中，卷积和池化是新学的知识。这堂课的内容非常多，也非常重要，让我们来回顾一下。CNN的优点CNN与全连接网络的参数比较权重共享、稀疏连接卷积操作基本运算流程填充步幅示例边缘检测卷积层对多通道图像卷积输出多通道图像加上bias，送入激活函数池化层运算流程最大池化与平均池化CNN示例如何组合不同类别的层卷积接池化，最后全连接。图像边长变小，通道数变大。https。...
吴恩达deeplearning.ai系列课程笔记+编程作业(10)第四课 卷积神经网络-第一周 卷积神经网络（Foundations of Convolutional Neural Networks）
肖泽的博客
03-30 1877
第四门课 卷积神经网络（Convolutional Neural Networks） 第一周 卷积神经网络（Foundations of Convolutional Neural Networks） 文章目录第四门课 卷积神经网络（Convolutional Neural Networks）第一周 卷积神经网络（Foundations of Convolutional Neural Network...
深度学习笔记（一）：卷积神经网络CNN
Lineng's blog
12-25 1994
卷积层 卷积核Kernel 步幅Stride 填充Padding 多通道上的卷积 激活函数 卷积函数 转置卷积 池化层 池化的三种方式 局部池化 全局池化 ????卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，通过也包括关联权重和池化层（Pooling Layer） -用于手写识别的一个比较简单的卷积神经网络，由卷积层(Conv2d)、池化层(MaxPool2d)和全连接层(Linear)叠加而成 import torch.nn as nn im
深度学习第四课程笔记-卷积神经网络
Da_haihuang的博客
11-24 942
第三周参数调试       每个超参数如果设置得不好，都会对训练产生巨大的负面影响，而这些超参数有一个相对重要排名如下图： 学习率alpha，动量beta，Adam算法中的beta1，beta2，ε，层数layers，隐藏层数节点的数量hidden units，学习衰退率 learning rate decay，数据切分大小mini-batch size 等等。 其中学习率alpha是最重要的，其次动量beta，隐藏层数节点的数量hidden u
学习笔记-李沐动手学深度学习（七）（19-21，卷积层、填充padding、步幅stride、多输入多输出通道）
ljmiiianng的博客
02-27 1721
全程中 核是不变的（即平移不变形）【二维卷积层】用卷积核去扫描时，丢掉的内容就是 (kh - 1) x （kw - 1）下图中 五角星 即为 上节定义的二维交叉相关操作子；W和b都是可以学习的参数【举例】弹幕说：卷积核肯定是自己学，因为卷积核中每个元素都代表一个weight。
填充和步幅
dujuancao11的博客
09-09 844
《动手学深度学习pytorch》部分学习笔记，仅用作自己复习。 填充和步幅 填充 填充（padding）是指在输入⾼和宽的两侧填充元素（通常是0元素）。图5.2⾥我们在原输入⾼和宽的两侧分别添加了值为0的元素，使得输入⾼高和宽从3变成了5，并导致输出高和宽由2增加到4。 卷积神经网络经常使用奇数高宽的卷积核，如1、3、5和7，所以两端上的填充个数相等。对任意的⼆维数组 X ，设它的第 i行第 j 列的元素为 X[i,j] 。当两端上的填充个数相等，并使输入和输出具有相同的⾼和宽时，我们就..
TensorFlow 卷积
weixin_37804469的博客
12-23 468
Padding 方式（边缘填充方式）有两种： SAME ：在边缘补充0 VALID：不做任何填补，当有剩余项时，VALID采用的方式是“丢弃”。 采用 SAME 的 padding 方式相比 VALID 的优势是，可以充分利用输入的数据，把所有信息都加入运算。所以大部分时候，使用卷积时Padding 方式都是 SAME。 Stride（步长）: 需要在四个维度上 [batch, hight, width, channel] 设置Stride， 但是常见的设置只有一种: width 和 hight 上的
卷积层的stride是什么
yxx122345的博客
08-25 1729
Stride 是卷积层中的一个重要参数，它控制了卷积核在输入特征图上滑动的步长。Stride 的值影响输出特征图的大小和计算效率。较大的 stride 可以加快计算速度并减少输出特征图的尺寸，但可能会损失一些特征的精细度。（步幅）是指卷积核在输入特征图上移动的步长。Stride 是卷积操作中的一个重要参数，它影响了输出特征图的大小以及计算的效率。在卷积神经网络（CNN）中，
【动手学深度学习：卷积神经网络基础】【二维卷积层+填充和步幅+多输入通道和多输出通道+卷积层与全连接层的对比+卷积层的简洁实现+池化】
LinGavinQ
02-19 1591
本章主要内容：二维卷积层，填充和步幅，多输入通道和多输出通道，卷积层与全连接层的对比，卷积层的简洁实现，池化。
深度学习中的卷积和反卷积（二）——反卷积的介绍
Cufewxy的博客
01-07 2379
反卷积（deconvolution）又称转置卷积，是卷积的拟操作，常用于GAN等模型中。反卷积是上采样的一种，上采样是指将特征图维度恢复到原始图的维度，这种增大维度的过程被称为上采样。上采样可以用插值或反卷积实现。在CNN中，卷积一般会让图像尺寸变小，属于下采样。例如最大化池化（可视为特殊的卷积）是将相邻像素中最大的像素提取出来，丢弃了其他不重要的像素。卷积和反卷积是相反的过程。GAN等生成模型中经常使用反卷积，为什么呢？因为隐含层（特征图）包含最基本的图像特征，一般维度很小。
卷积和转置卷积矩阵计算 convolution和deconvolution或者transposed_convolution
邹九的个人博客
09-04 1317
总的来说卷积计算是多对一，也就是多个input，和所有kernel进行multiply+add，通道channel方向也进行add，得到一个数字。转置卷积或者说是逆卷积，是一对多的关系，是一个input和所有kernel进行multiply，通道channel方向才进行add，得到kernel_size_width*kernel_size_height个数字​ ​即滑窗运算，卷积核kernel和Input的位置multiply然后add， K1*1 + K2*2+K3*3 = out1​Stride=2
卷积神经网络采样
最新发布
03-22
常见的下采样技术包括最大池化（Max Pooling）、平均池化（Average Pooling）以及步幅卷积（Strided Convolution）。 - **最大池化**：通过选取滑动窗口内的最大值来保留最显著的特征[^2]。这种方法能够有效捕捉...
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