知识卡片
卷积步幅与填充
卷积核按步幅在输入上移动,步幅决定相邻计算位置的间隔。填充是在输入边界外补值,例如补零,使边缘附近也能参与计算并影响输出大小。核大小、步幅与填充需要结合目标分辨率和边界信息选择。
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
- 卷积神经网络 4.2 感受野 · 查看原书依据
接下来考虑一个问题:如果感受野超出了图像的范围,该怎么办呢?如果不在超出图像的范围“摆”感受野,就没有神经元去检测出现在边界的模式,这样就会漏掉图像边界的地方,所以一般边界的地方也会考虑.如图4.10 所示,超出范围就做填充(padding),填充就是补值,一般使用零填充(zero padding),超出范围就补 0. 如果感受野有一部分超出图像的范围,就当里面的值都是0.其实也有别的补值方法,比如补整幅图像里面所有值的平均值,或者把位于边界的数字拿出来补没有值的地方.
参考来源
- 位置:《深度学习详解》第4章《卷积神经网络》4.2 感受野(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter04.xhtml`)
- 结论依据:原文以图像及棋盘案例说明局部连接、参数共享和汇聚的条件与取舍。
- 原始内容:接下来考虑一个问题:如果感受野超出了图像的范围,该怎么办呢?如果不在超出图像的范围“摆”感受野,就没有神经元去检测出现在边界的模式,这样就会漏掉图像边界的地方,所以一般边界的地方也会考虑.如图4.10 所示,超出范围就做填充(padding),填充就是补值,一般使用零填充(zero padding),超出范围就补 0. 如果感受野有一部分超出图像的范围,就当里面的值都是0.其实也有别的补值方法,比如补整幅图像里面所有值的平均值,或者把位于边界的数字拿出来补没有值的地方.