知识卡片
卷积的符号表示与4D张量
特征图来自卷积函数的反复作用:用一个线性滤波器扫过图像各子区域,加偏置,再施加非线性(如tanh),即得某层的特征图。每层可有多个特征图,权重W因此是4维张量,四个维度分别是目的特征图、源特征图、源垂直位置和源水平位置;偏置b则是一维向量,每个目的特征图一个。Theano的conv2d接受两个符号输入:小批量输入图像张量形状为[批量,输入特征图数,高,宽],权重张量形状为[本层特征图数,上层特征图数,滤波器高,滤波器宽]。一维卷积公式可直接推广到二维,这套表示把整幅图的局部滤波统一成一次张量运算。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第10章 认知计算与深度学习 · 查看原书依据
隐含层W的权重能被表示为4维的张量,它包含目的特征图、源特征映射、源垂直位置及源水平位置4个特征元素的组合。
参考来源
- 位置:《机器学习算法原理与编程实践》第10章 认知计算与深度学习(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00034.html)
- 结论依据:原文给出特征图由卷积加偏置经非线性得到、W的四维构成与b的向量形式,并明确conv2d两侧张量的形状约定。
- 原始内容:隐含层W的权重能被表示为4维的张量,它包含目的特征图、源特征映射、源垂直位置及源水平位置4个特征元素的组合。