zoukankan      html  css  js  c++  java
  • PaddingValid convolutionsSame convolutions

    整理并翻译自吴恩达深度学习系列视频:卷积神经网络1.4。

    Padding

    在这里插入图片描述
    在对一张6X6图片进行卷积后,它变成了一张4X4的图片。直接卷积有以下2个缺点:

    • Shrinking the output(缩小输出图像大小)
    • Throw away info from edge(相对于中间经过多次卷积计算的部分,图像边缘信息被抛弃了)

    为了解决这一点问题,我们可以在图像的边缘填充(padding)0,来使得边缘部分也能够被经过多次卷积计算。

    假设原图是 n × n n imes n n×n,filter是 f × f f imes f f×f,那么卷积后的图像大小是 ( n − f + 1 ) × ( n − f + 1 ) (n-f+1) imes(n-f+1) (nf+1)×(nf+1)

    假设填充 p = 1 p=1 p=1,填充之后再卷积得到的图像大小是 ( n + 2 p − f + 1 ) × ( n + 2 p − f + 1 ) (n+2p-f+1) imes(n+2p-f+1) (n+2pf+1)×(n+2pf+1)

    如果要维持原图大小,令 ( n + 2 p − f + 1 ) = n (n+2p-f+1)=n (n+2pf+1)=n,得 p = f − 1 2 p=frac{f-1}{2} p=2f1

    Valid convolutionsSame convolutions

    在这里插入图片描述

    Valid convolution,即不填充,卷积后的图像大小是 ( n − f + 1 ) × ( n − f + 1 ) (n-f+1) imes(n-f+1) (nf+1)×(nf+1)

    Same convolution,即填充使其保持原图大小,选择 p = f − 1 2 p=frac{f-1}{2} p=2f1

    通过上式你也能够理解,为什么通过选 f f f是奇数,如果 f f f是偶数,也能达到我们的目的,但填充使得图像不对称了,左边填的比右边多或者反过来。选择 f f f奇为数也可以使得filter有明确的中心点。

    当然这些理由并没有那么的有说服力。

    3X3、7X7、9X9,都是论文里常见的filter大小。

  • 相关阅读:
    Entity Framework版本历史概览
    读书笔记—CLR via C#章节3
    读书笔记—CLR via C#章节1-2
    C#编程实践–产假方案优化版
    老调重弹--面向对象设计原则--包设计原则
    Redis(七)分布式锁
    Redis(九)高可用专栏之Sentinel模式
    Redis(九)高可用专栏之《简介篇》
    Redis(七)持久化(Persistence)
    Redis(六)管道(Pipelining)
  • 原文地址:https://www.cnblogs.com/wanghongze95/p/13842519.html
Copyright © 2011-2022 走看看