标签：变化   line   注意   opera   cnn   学习   包括   size   NPU   

目录

void

CNN篇

该部分内容包括：

• 卷积核大小选择
• 卷积操作中的计算

卷积核大小选择

需要注意的是，LeNet-5中的卷积核size为5×5。

卷积核尺寸通常为奇数

1. 为了有明确的中心
2. 图像两边padding是对称的

\(1\times 1\)卷积的作用

1. 实现信息的跨通道交互和整合
2. 对卷积核通道数进行降维和升维，减小参数量

卷积操作的尺寸变化

\[ \begin{aligned} n_{o u t} &=\left\lfloor\frac{n_{i n}+2 p-k}{s}\right\rfloor+ 1 \\ n_{i n} : & \text { number of input features } \\ n_{o u t} : & \text { number of output features } \\ k : & \text { convolution kernel size } \\ p : & \text { convolution padding size } \\ s : & \text { convolution stride size } \end{aligned} \]
当padding设置为SAME的时候，会自动补0；当padding设置为VALID的时候，只使用有效的数据故不会补0。

感受野的计算

\[ \begin{aligned} n_{o u t} &=\left\lfloor\frac{n_{i n}+2 p-k}{s}\right\rfloor+ 1 \\ j_{o u t} &=j_{i n} * s \\ r_{o u t} &=r_{i n}+(k-1) * j_{i n} \\ \text {start}_{o u t} &=\operatorname{start}_{i n}+\left(\frac{\mathrm{k}-1}{2}-\mathrm{p}\right) * j_{i n} \end{aligned} \]
其中\(j\)是jump，含义是从最开始到现在跳过的连续特征点的数目，也就是从最开始到本层（除去本层）所有stride乘积。

卷积核的尺寸为什么一般是奇数？

1. 便于padding，奇数的尺寸可以从图像的两边对称的padding
2. 便于确定卷积核中心

Reference

1. 【干货】CNN 感受野首次可视化：深入解读及计算指南. https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2651997001&idx=4&sn=3a0323b421a45e80520a411a3b21fe33

深度学习 面试准备【一】

标签：变化   line   注意   opera   cnn   学习   包括   size   NPU   

原文地址：https://www.cnblogs.com/lvjincheng/p/11325694.html