[DeeplearningAI筆記]卷積神經網路1.4-1.5Padding與卷積步長
阿新 • • 發佈:2018-12-30
4.1卷積神經網路
覺得有用的話,歡迎一起討論相互學習~Follow Me
1.4Padding
- 一張大小的圖片,使用的卷積核設定步長為1,經過卷積操作後得到一個的影象。
特徵圖大小公式
- 設定原始影象大小為,卷積核大小為,則經過卷積操作後特徵圖大小為
不使用Padding的缺點
- 經過卷積操作後圖像會縮小.
- 如果你注意角落邊的畫素,則此畫素點只會被卷積核觸碰一次。即只會在第一次卷積操作時被卷積核掃描.這意味著會丟失影象邊緣的很多資訊.
- 但是對於原始影象中心的畫素點,在每次卷積操作時都會被掃描。卷積核的感受野會掃描此位置多次.
使用Padding進行維度的填充
- 為了使每次卷積操作後大小不會丟失,使用0填充在原始影象的外圍。
- 假設p作為填充在原始影象外圍的Padding大小,則經過卷積操作後的特徵圖大小為
Padding填充大小公式
- 如果需要使經過卷積後的特徵圖大小保持不變,則填充大小需要滿足公式即
- 所以只要f即卷積核的邊長是奇數,則能保證輸出的特徵圖大小與原影象大小相等。
通常使用奇數維度的過濾器大小
- 通常使用奇數維度的過濾器大小,這樣可以使SAME Padding後的影象有自然的填充而不是出現小數維度。
- 奇數維度的卷積核具有中心點,便於指出過濾器的位置。
1.5卷積步長
示例
- 在此例子中選擇的影象,2作為步長,使用的卷積核,最終得到一個的特徵圖。
特徵圖大小公式
* 其中n為原始影象大小,p為Padding填充維度,f為卷積核維度,s為步長
* 當出現得到的結果不是整數時,可以採用向下取整的方式使其維度為整數