Please enable JavaScript.

Coggle requires JavaScript to display documents.

卷积原理 (动机 (稀疏交互 (做法相比全连接，参数矩阵中每一个单独的参数都描述了输入单元与一个输出单元的交互，卷积使参数矩阵的大小远小于输入大…

- - - - 神经学原理：
        
        详情看心理学，视觉寄存器
      - 数学原理
        
        卷积核遍历输入相乘然后相加
        
        通过卷积核输出的结果，识别输入的图像特征，例如斜线，竖线，横线等
        
        卷积核识别的特征一层一层堆叠下去，然后越来越复杂，越来越靠近分类的某些特征
      - 多层输入与多层输出
        
        多层输入
        
        图片一般有3层，R、G、B，所以对应卷积核就应该有三层
        
        多卷积核输出后也将变成下一层的多层输入
        
        多层输出
        
        同样的输入，通过在一层中用多个并行的卷积核提取不同的特征，因此也就有了几层输出
  - - - 相同卷积
        
        实现
        
        在原图像外围加上宽度p的0
        
        p的计算：p=(f-1)/2（f为卷积核边长，一般为奇数）
        
        原因
        
        每次卷积操作，图片会缩小，一旦卷积层多了，图片会变得非常小
        
        角落和边缘位置的像素进行卷积运算的次数少，可能会丢失有用信息
        
        概述
        
        只进行足够的零来填充保持输出和输入具有相同的大小
        
        优缺点
        
        网络能包含任意多的卷积层
        
        边界填充零导致边界像素存在一定程度的欠表现
      - 有效卷积
        
        概述
        
        不使用零填充
        
        优缺点
        
        输出像素表示更规范
        
        限制了网络中能够包含的卷积层的层数
      - 全卷积
        
        概述
        
        进行足够多的零填充，使得每个像素在每个方向上恰好被访问k次
        
        优缺点
        
        边界填充零导致边界像素存在一定程度的欠表现
        
        学得一个在卷积映射的所有位置都表现不错的单核更为困难