本文详细介绍了卷积神经网络的工作原理，以LeNet-5为例，涵盖了输入层、卷积层、池化层、多核滤波器以及全连接层等关键组件。讲解了不同层的计算过程、参数数量和连接关系，揭示了CNN在特征提取和图像识别中的作用。
文章目录
卷积网络输出尺寸
- 输入图像大小 W ∗ W W*W W∗W
- 滤波器Filter大小 F ∗ F F*F F∗F
- 步长 S S S
- padding的像素 p p p
于是我们可以得出：
N = ( W − F + 2 P ) / S + 1 N = (W − F + 2P )/S+1 N=(W−F+2P)/S+1
卷积神经网络如何工作
卷积网络不是一次只关注一个像素，而是接收方形的像素块并将它们传递给滤波器。该滤波器也是比图像本身小的方阵，滤波器的工作就是在像素中找到模式（特征提取）。
Multi-Kernels
b a t c h batch batch张图片，每张图片是RGB三通道的彩色图，图像大小是5×5。
x : [ b a t c h , 3 , 5 , 5 ] x:[batch,3,5,5] x:[batch,3,5,5]
如果是一个滤波器，滤波器大小为 3 × 3 3×3 3×3，卷积核的厚度对应Feature Maps的通道数,即3。
o n e k e r n e l : [ 3 , 3 , 3 ] one kernel:[3,3,3] onekernel:[3,3,3]
如果是一组滤波器（即多个滤波器），滤波器大小为 3 × 3 3×3 3×3，卷积核的厚度对应Feature Maps的通道数,即3，共2组滤波器。
m u l t i k e r n e l s : [ 2 , 3 , 3 , 3 ] multi kernels:[2,3,3,3] multikernels:[2,3,
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
