本文介绍了卷积核与过滤器的区别，强调在处理多通道图像时，多个卷积核组合成过滤器。卷积层的参数由输入和输出通道决定。此外，解释了BatchNorm2d在神经网络中的作用，它用于数据归一化，提高模型稳定性。每个批次(batch)的大小影响模型训练过程中的权重更新。
一直对这个的认识很混乱，记录下来自己学习使用。
卷积核和过滤器的区别：
卷积核：长和宽，二维 过滤器：长宽，深度，三维
当处理单通道的时候，卷积核等同于过滤器。当处理多通道时，例如RGB图像，三个卷积处理不同通道的图像，最后将处理的数据相加，这三个卷积合在一起成为过滤器。
in_channels 取决于图片的类型，out_channels取决于过滤器的数量。
这个图非常清楚 假设输入通道32，输出通道64，卷积核3*3，权重总数=3*3*32*64
Batchnorm2d:
在卷积神经网络的卷积层之后总会添加BatchNorm2d进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定，BatchNorm2d()函数数学原理如下：
batch_size:
在神经网络模型训练时，比如有1000个样本，把这些样本分为10批，就是10个batch。每个批（batch）的大小为100，就是batch size=100。
每次模型训练，更新权重时，就拿一个batch的样本来更新权重。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
