标签：def 模型 width 返回 col range 特征 ann 变化
1. 卷积神经网络是通过什么方式来完成可训练参数的减少？
1）卷积层（局部感受野+权值共享）
2）采样层（逐渐降低分辨率）
2. 原始图像大小变化怎样影响模型可训练参数个数？
参数个数：首先卷积层和池化层不会受到影响，全连接层受到影响
计算数目：受到影响
3. img2col
将图像中的感受野编码成行列的模式，加速卷积计算
def img2col(x, ksize, step): # x [width,height,channel] 宽，长，深度 wx, hx, cx = x.shape # 返回的特征图尺寸 feature_w = (wx - ksize) // step + 1 image_col = np.zeros((feature_w * feature_w, ksize * ksize * cx)) num = 0 for i in range(feature_w): for j in range(feature_w): image_col[num] = x[i * step:i * step * ksize, j * step:j * step * ksize, :].reshape(-1) //表示一个感受野 num += 1 return image_col
标签：def 模型 width 返回 col range 特征 ann 变化
原文地址：https://www.cnblogs.com/jimlee123/p/14942700.html
