Python全系列 教程
3567个小节阅读:5931.4k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
从数学的角度来看,卷积可以理解为一种类似于加权运算的操作。
在进行卷积操作之前,需要定义一个过滤器(卷积核),其中的每一格都有一个权重值。
卷积的过程是将每个格子中的权重值与图片对应的像素值相乘并累加,所得到的值就是特征
图FeatureMap(经过卷积运算后的神经元集合)中的一个值。
注意:
- 卷积核的通道数与输入数据的通道数相同
- 卷积核的个数与输出的通道数相同
由于过滤器(卷积核)在移动到边缘的时候就结束了,中间的像素点比边缘的像素点参与
计算的次数要多。因此越是边缘的点,对输出的影响就越小,我们就有可能丢失边缘信息。
为了解决这个问题,可以进行填充(padding),即在图片外围补充一些像素点,并将这些像素
点的值初始化为0。
其中,n为输入尺寸,p为填充尺寸,f为卷积核(过滤器)尺寸,s为移动步长
1. 关于卷积核与通道数,下列说法正确的是:
A 卷积核的通道数与输出的通道数相同
B 卷积核的个数与输出的通道数相同
C 卷积核的个数与输入数据的通道数相同
D 以上说法均不正确
2. 输入数据的尺寸是5x5,卷积核尺寸为3x3,padding为0,
移动步长为1,则卷积后输出尺寸大小为:
A 6x6
B 5x5
C 4x4
D 3x3
1=>B 2=>D