正文
[DeeplearningAI笔记]卷积神经网络1.4-1.5Padding与卷积步长
提示：扫一扫查出行【扫一扫了解最新限行尾号】
复制提示
4.1卷积神经网络觉得有用的话,欢迎一起讨论相互学习~Follow Me
1.4Padding一张\(6*6\)大小的图片，使用\(3*3\)的卷积核设定步长为1，经过卷积操作后得到一个\(4*4\)的图像。
特征图大小公式
设定原始图像大小为\(n*n\),卷积核大小为\(f*f\)，则经过卷积操作后特征图大小为\((n-f+1)*(n-f+1)\)
不使用Padding的缺点
- 经过卷积操作后图像会缩小.
- 如果你注意角落边的像素，则此像素点只会被卷积核触碰一次。即只会在第一次卷积操作时被卷积核扫描.这意味着会丢失图像边缘的很多信息.
但是对于原始图像中心的像素点，在每次卷积操作时都会被扫描。卷积核的感受野会扫描此位置多次.
使用Padding进行维度的填充
- 为了使每次卷积操作后大小不会丢失，使用0填充在原始图像的外围。
假设p作为填充在原始图像外围的Padding大小，则经过卷积操作后的特征图大小为\((n+2p-f+1)*(n+2p-f+1)\)
Padding填充大小公式
- 如果需要使经过卷积后的特征图大小保持不变，则填充大小需要满足公式\[n+2p-f+1=n\]即\[p=\frac{(f-1)}{2}\]
所以只要f即卷积核的边长是奇数，则能保证输出的特征图大小与原图像大小相等。
通常使用奇数维度的过滤器大小
- 通常使用奇数维度的过滤器大小，这样可以使SAME Padding后的图像有自然的填充而不是出现小数维度。
奇数维度的卷积核具有中心点，便于指出过滤器的位置。
1.5卷积步长示例
在此例子中选择\(7*7\)的图像，2作为步长，使用\(3*3\)的卷积核，最终得到一个\(3*3\)的特征图。
特征图大小公式
\[\lfloor\frac{(n+2p-f)}{s}+1\rfloor*\lfloor\frac{(n+2p-f)}{s}+1\rfloor\]
- 其中n为原始图像大小,p为Padding填充维度,f为卷积核维度,s为步长
当出现得到的结果不是整数时，可以采用向下取整的方式使其维度为整数
一张\(6*6\)大小的图片，使用\(3*3\)的卷积核设定步长为1，经过卷积操作后得到一个\(4*4\)的图像。
特征图大小公式
设定原始图像大小为\(n*n\),卷积核大小为\(f*f\)，则经过卷积操作后特征图大小为\((n-f+1)*(n-f+1)\)
不使用Padding的缺点
- 经过卷积操作后图像会缩小.
- 如果你注意角落边的像素，则此像素点只会被卷积核触碰一次。即只会在第一次卷积操作时被卷积核扫描.这意味着会丢失图像边缘的很多信息.
但是对于原始图像中心的像素点，在每次卷积操作时都会被扫描。卷积核的感受野会扫描此位置多次.
使用Padding进行维度的填充
- 为了使每次卷积操作后大小不会丢失，使用0填充在原始图像的外围。
假设p作为填充在原始图像外围的Padding大小，则经过卷积操作后的特征图大小为\((n+2p-f+1)*(n+2p-f+1)\)
Padding填充大小公式
- 如果需要使经过卷积后的特征图大小保持不变，则填充大小需要满足公式\[n+2p-f+1=n\]即\[p=\frac{(f-1)}{2}\]
所以只要f即卷积核的边长是奇数，则能保证输出的特征图大小与原图像大小相等。
通常使用奇数维度的过滤器大小
- 通常使用奇数维度的过滤器大小，这样可以使SAME Padding后的图像有自然的填充而不是出现小数维度。
奇数维度的卷积核具有中心点，便于指出过滤器的位置。
1.5卷积步长示例
在此例子中选择\(7*7\)的图像，2作为步长，使用\(3*3\)的卷积核，最终得到一个\(3*3\)的特征图。
特征图大小公式
\[\lfloor\frac{(n+2p-f)}{s}+1\rfloor*\lfloor\frac{(n+2p-f)}{s}+1\rfloor\]
- 其中n为原始图像大小,p为Padding填充维度,f为卷积核维度,s为步长
当出现得到的结果不是整数时，可以采用向下取整的方式使其维度为整数
在此例子中选择\(7*7\)的图像，2作为步长，使用\(3*3\)的卷积核，最终得到一个\(3*3\)的特征图。
特征图大小公式
\[\lfloor\frac{(n+2p-f)}{s}+1\rfloor*\lfloor\frac{(n+2p-f)}{s}+1\rfloor\]
当出现得到的结果不是整数时，可以采用向下取整的方式使其维度为整数
