40、卷积神经网络中的卷积与池化技术详解

卷积神经网络中的卷积与池化技术详解

1. 解决“边缘脱落”问题：填充技术

在处理图像时，“边缘脱落”是一个常见的问题。为了解决这个问题，我们可以在输入的边界周围添加填充（padding），也就是额外的元素。填充的厚度取决于滤波器的大小，通常我们会添加足够的填充，使得滤波器能够以输入的每个元素为中心进行卷积操作。如果不想在边缘处丢失信息，每个滤波器的输入都需要进行填充。

大多数深度学习库会自动计算所需的填充量，以确保输出的宽度和高度与输入相同，并将其作为默认设置应用。

2. 多维卷积

之前我们主要考虑的是只有一个颜色通道的灰度图像，但大多数彩色图像有三个通道，分别代表每个像素的红、绿、蓝成分。

2.1 多通道输入的处理

要处理具有多个通道的输入，滤波器需要具有相同数量的通道，因为输入中的每个值都需要在滤波器中有对应的匹配值。例如，对于RGB图像，滤波器需要有三个通道。一个3x3的滤波器就需要有三个通道，总共包含27个数值。

在将这个核应用于三通道彩色图像时，我们的操作方式与之前类似，但现在我们将其视为三维的块（或张量）。对于每个输入像素，我们将滤波器的核中心对准该像素，并将图像中的27个数值与滤波器中的27个数值进行匹配。

2.2 多通道卷积规则

为了确保每个输入值都有对应的滤波器值，我们可以总结出一个规则：每个滤波器的通道数必须与它所处理的张量的通道数相同。

3. 多个滤波器的使用

在实际应用中，我们通常会将数十或数百个滤波器组合成一个卷积层，并同时（且独立地）将它们应用于该层的输入。