本文讨论了卷积层中感受野的计算以及如何处理大图像的问题，介绍了卷积层和池化层的超参数，包括滤波器数量、大小、步幅和零填充。重点强调了如何通过调整这些参数来优化模型的参数数量和计算效率。
每个连续的卷积层将感受野大小增加 K - 1。对于 L 层，感受野大小是 1 + L * (K - 1)。这样会有一个问题就是：对于大图像，为了使每个输出“看到”整个图像，我们需要许多层。怎么解决？增加步长。
卷积层：总结
假设输入为 W1 x H1 x C
卷积层需要 4 个超参数：
- 滤波器数量 K
- 滤波器大小 F
- 步幅 S
- 零填充 P
这将产生一个输出 W2 x H2 x K，其中：
- W2 = (W1 - F + 2P)/S + 1
- H2 = (H1 - F + 2P)/S + 1
参数数量：F²CK 和 K 个偏置。
池化层：总结
假设输入为 W1 x H1 x C
池化层需要 2 个超参数：
- 空间范围 F
- 步幅 S
这将产生一个输出 W2 x H2 x C，其中：
- W2 = (W1 - F )/S + 1
- H2 = (H1 - F)/S + 1
参数数量：0
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
