CNN中怎么搞懂循环和各变量的维度？

最新推荐文章于 2024-07-23 16:12:34 发布

原创

最新推荐文章于 2024-07-23 16:12:34 发布 · 960 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#CNN #深度学习 #python

博主在学习吴恩达的深度学习课程时，遇到关于CNN前馈中循环和变量维度的问题。通过简化问题，关注输出层单个例子、单个通道特定点的计算过程，博主尝试用代码实现这一过程，以深入理解CNN的工作原理。

这是我的第一篇技术博客！

在学习吴恩达老师的深度学习课程中的卷积神经网络的建模部分，我遇到了一个问题，就是在不使用深度学习框架的情况下做CNN的前馈时，搞不清楚循环和各变量的维度之间的关系，比如下面这个过程：

单层卷积的过程

在这里插入图片描述
最好的方法其实就是把问题化简，看其最小、最本质的步骤是什么，就是如上图所示的过程，看输出层的单个例子、单个通道的特定一点 $z [i, h, w, c]$ 是怎么得来的，具体实现代码如下：

def conv_forward(A_prev, W, b, hparameters):
    """
    Implements the forward propagation for a convolution function
    
    Arguments:
    A_prev -- output activations of the previous layer, 
        numpy array of shape (m, n_H_prev, n_W_prev, n_C_prev)
    W -- Weights, numpy array of shape (f, f, n_C_prev, n_C)
    b -- Biases, numpy array of shape (1, 1, 1, n_C)
    hparameters -- python dictionary containing "stride" and "pad"
        
    Returns:
    Z -- conv output, numpy array of shape (m, n_H, n_W, n_C)
    cache -- cache of values needed for the conv_backward() function
    """