知识卡片
卷积特征映射与叠层
每个卷积滤波器在空间上滑动产生一张特征映射;多个滤波器形成多个输出通道,下一层滤波器接收前层输出通道。叠加卷积后,后层单元对原始输入的有效感受野扩大:两个步幅为 1 的 3×3 层可对应原图 5×5 范围。
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 4.5 简化总结 · 查看原书依据
接下来对每个滤波器执行重复的过程,如图4.21 所示. 假设有第2个滤波器,用来检测图像3×3范围内中间一列都为1的模式. 用第2个滤波器从图像左上角扫起,得到一个数值,往右移一个步幅,再得到一个数值,再往右移一个步幅,再得到一个数值. 重复同样的操作,直到把整幅图像都扫完,得到另外一组数值.每个滤波器都会给我们一组数值,红色的滤波器给我们一组数值,蓝色的滤波器给我们另外一组数值. 如果有 64 个滤波器,就可以得到 64 组数值. 这组数值称为特征映射(feature map).当一幅图像通过一个卷积层里面一系列滤波器的时候,就会产生一个特征映射.假设卷积层里面有 64 个滤波器,产生的特征映射就有 64 个.特征映射可以看成另外一幅新的图像,只是这幅图像的通道数不是3,而是 64,每个通道对应一个滤波器. 本来一幅图像有3个通道,通过一个卷积层后,就变成了一幅新的、有 64 个 通道的图像.
参考来源
- 位置:《深度学习详解》第4章《卷积神经网络》4.5 简化总结(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:接下来对每个滤波器执行重复的过程,如图4.21 所示. 假设有第2个滤波器,用来检测图像3×3范围内中间一列都为1的模式. 用第2个滤波器从图像左上角扫起,得到一个数值,往右移一个步幅,再得到一个数值,再往右移一个步幅,再得到一个数值. 重复同样的操作,直到把整幅图像都扫完,得到另外一组数值.每个滤波器都会给我们一组数值,红色的滤波器给我们一组数值,蓝色的滤波器给我们另外一组数值. 如果有 64 个滤波器,就可以得到 64 组数值. 这组数值称为特征映射(feature map).当一幅图像通过一个卷积层里面一系列滤波器的时候,就会产生一个特征映射.假设卷积层里面有 64 个滤波器,产生的特征映射就有 64 个.特征映射可以看成另外一幅新的图像,只是这幅图像的通道数不是3,而是 64,每个通道对应一个滤波器. 本来一幅图像有3个通道,通过一个卷积层后,就变成了一幅新的、有 64 个 通道的图像.