← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9890.e · 生成模型:Hunyuan

步幅卷积与零填充

理解等级:中级

步幅(stride)让核在输出上每隔 s 个像素采样一次,等价于单位步幅卷积后再降采样,能降低计算开销,但提取特征会变粗。零填充在输入边缘补零以加宽表示,使核宽度与输出大小可独立控制,否则每层都会因核比输入少一像素而收缩,限制网络深度。由此有三种边界设定:valid 不填充,输出宽 m−k+1,每个输出像素由相同数量输入决定但尺寸逐层缩小;same 填充到输入输出同尺寸,可任意深但边界像素欠表示;full 填充到每个像素被访问 k 次,输出宽 m+k−1。实践中测试集表现最好的填充量通常在 valid 与 same 之间。

这张卡片看不懂?

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9章 卷积网络 · 查看原书依据

      我们有时会希望跳过核中的一些位置来降低计算的开销(相应的代价是提取特征没有先前那么好了)。我们可以把这一过程看作对全卷积函数输出的下采样(downsampling)。

    参考来源

    - 位置:《深度学习》第9章 卷积网络(源文件:extracted/深度学习/_epub-src/text/part0003.html) - 结论依据:原文定义步幅并给出降采样等价关系,又说明零填充的必要性及 valid/same/full 三种特殊情况的取舍。 - 原始内容:我们有时会希望跳过核中的一些位置来降低计算的开销(相应的代价是提取特征没有先前那么好了)。我们可以把这一过程看作对全卷积函数输出的下采样(downsampling)。