当前位置: 首页 > 网络应用技术

【Neuroch网络】感受野生分析

时间:2023-03-07 11:21:05 网络应用技术

  定义:卷积神经网络中特征图上的像素点位于输入图像显示的区域大小。

  以上两个感觉是5×5,两个3×3卷积内核等于一个5×5

  注意:符合上述卷积的计算公式:

  $ $ h {out} = frac {h {in} -k + 2p} {s} $ $ $

  方法1:从后来推动公式以解释野生尺寸的计算。需要注意以下几点:

  $ $ rfi =(rf {i + 1} - 1)×stride + k $ $

  $ rf_i $代表$ i $ lays的野生尺寸的感觉,大步表示步骤,k代表卷积核心大小

  流行的解释假设存在以下网络,现在我们需要计算I+1的感觉,然后,然后,

  方法2:将公式从背面推动,以解释从网络的输入层到我们想要计算层的感觉的感觉

  $ $ rf_ {i + 1} = rf_i +(k -1) * s_i $ $

  $ o s_i $ $表示之前的所有步骤的产品,==不包括当前层==,也就是说,

  $ o si = product {i = 0}^n stride_i $ $ $

  大众理解仍然显示在图中。然后,我们需要计算I+1的野生层的大小,然后,

  验证上述示例

  方法1:从背面推到第一种情况,使用5×5卷积核,最后一层为1×1,然后感觉野生的最后一层是卷积核心的大小,即5

  如果第二种情况使用两个3×3卷积内核(步幅为1),而“临时体验野生”的最后一层是卷积核心的大小,即3×3,感觉野生的第一层是

  $ $ rf =(3-1)×1 + 3 = 5 $ $,最后,野生尺寸的最后一层是5

  方法2:将第一个案例从背面向后推,并使用5×5卷积核心,然后最后的感觉是野性为5

  在第二种情况下,第一个卷积核为3×3,因此初始感觉野生为3,第二卷积核为3×3。

  $ o s_i = 1 $ $先前的卷积核的步骤是1

  $ $ $ rf_2 = rf_1 +(k-1)s = 3 +(3-1)1 = 3 + 2 = 5 $ $

  如上所述,两种情况的感觉为5,与上图一致。

  示例输入

  conv13*31

  pool12*221Conv23*312Pool22*222Conv33*314Conv43*314Pool32*224方法1:从后面推动:pool3:rf = 2

  conv4 =(2-1) * 1 + 3 = 4

  conv3 =(4-1) * 1 + 3 = 6

  pool2 =(6-1) * 2 + 2 = 12

  conv2 =(12-1) * 1 + 3 = 14

  pool1 =(14-1) * 2 + 2 = 28

  conv1 =(28-1) * 1 + 3 = 30

  因此,池3的感觉是30

  方法2:为了方便计算,上表是在上表中计算出的$ prod_i^nstide_i $,

  Conv1的感觉是卷积核心的大小,也就是说

  $ o conv1 = 3 $ $

  $ pool1 = 3+(k-1)s = 3 +(2-1)1 = 3 +1 = 4 $ $

  $ o conv2 = 4+(k -1)s = 4+(3-1)2 = 4+4 = 8 $ o

  $ pool2 = 8 +(k-1)s = 8 +(2-1)2 = 8 + 2 = 10 $ $

  $ o conv3 = 10 +(k-1)s = 10 +(3-1)4 = 10 + 8 = 18 $ $

  $ o conv4 = 18+(k-1)s = 18+(3-1)4 = 18+8 = 26 $ $

  $ pool3 = 26+(k-1)s = 26 +(2-1)4 = 26 +4 = 30 $ o

  如上所述,通过两个计算获得的结果相同

  [1] https://zhuanlan.zhihu.com/p/113487374

  [2] https://blog.csdn.net/program_developer/details/80958716

  [3] https://blog.csdn.net/qq_41076797/article/details/1144444415

  [4] http://www.360doc.com/content/20/1012/21/32196507_9401443.shtml

  本文由博客的多个平台OpenWrite发表!

  原始:https://juejin.cn/post/7093440381336944670