《深度学习:卷积神经网络从入门到精通》——2.10 卷积面计算

举报
华章计算机 发表于 2019/06/05 23:44:38 2019/06/05
【摘要】 本书摘自《深度学习:卷积神经网络从入门到精通》——书中第2章,第2.10节,作者是李玉鑑、张婷、单传辉、刘兆英等。

2.10 卷积面计算

在卷积神经网络中,一个卷积层可以包含很多卷积面。卷积面又称为卷积特征图(con-

volutional feature map)或卷积图(convolutional map),有时也称为特征图(feature map)。每个卷积面都是根据输入、卷积核和激活函数来计算的。卷积面的输入通常是一幅或多幅图像。卷积核是一个矩阵(或张量),又称为卷积滤波器,简称滤波器。激活函数有很多不同的选择,但一般选为sigmoid函数或校正线性单元(ReLU)。

如果输入是一幅大小为M×N的图像,用矩阵x表示,卷积核是大小为m×n的矩阵w,偏置为b,那么卷积面的计算过程可表示为图2.4,或者表示为如下公式:

image.png(2.88)

image.png

图2.4 单幅图像输入时卷积面的计算过程

如果输入是D个通道,即有D幅图像x1, x2, …, xD,相应的卷积核分别为w1, w2, …, wD,偏置为b,那么这时卷积面的计算过程可表示为图2.5a,或简化为图2.5b,或直接用公式表示:

image.png(2.89)

此外,在输入多幅图像时,还可采用多组卷积核和偏置,每组产生一个卷积面。如果把这些卷积面按顺序拼接成一个立方体,可以得到多卷积面计算的简化表示,如图2.5c所示。

image.png

图2.5 多幅图像输入时卷积面的计算过程

最后,需要指出的是,在现代卷积网络中,卷积面的计算有时也采用非标准卷积代替卷积。非标准卷积是对卷积的推广,其基本思想在于将跨度引入卷积。跨度分为垂直跨度和水平跨度,分别用u和v表示。假设A和B为矩阵,大小分别为M×N和m×n,且M≥m,N≥n,则它们的非标准内卷积??的所有元素定义为

image.png(2.90)

如果采用非标准卷积,单卷积面和多卷积面计算可以分别简化表示图2.6a和图2.6b。

image.png

图2.6 非标准卷积面计算的简化表示

image.png

图2.7 池化面计算的简化表示


【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。