深度學習 卷積理解

一.深度卷積神經網路學習筆記（一）：

假設輸入影象尺寸為w，卷積核尺寸為f，步幅（stride）為s（卷積核移動的步幅），padding使用p（用於填充輸入影象的邊界，一般填充0）,那麼經過該卷積層後輸出的影象尺寸為（w-f+2p）/s+1。

二. caffe的卷積原理：

1.這篇文章把卷積的過程寫得非常形象化，用簡單的例子講明白了卷積過程在caffe寫**的時候是怎麼實現的。

2.它還寫了卷積後輸出影象大小n為：

n=[(（image_h + 2*pad_h – kernel_h）/stride_h)+ 1]*[(（image_w +2*pad_w – kernel_w）/stride_w) + 1] (結果向上取整)

image_h：輸入影象的高度

image_w：輸入影象的寬度
pad_h：在輸入影象的高度方向兩邊各增加pad_h個單位長度（因為有兩邊，所以乘以2）
pad_w：在輸入影象的寬度方向兩邊各增加pad_w個單位長度（因為有兩邊，所以乘以2）
kernel_h：卷積核的高度
kernel_w：卷積核的寬度
stride_h：高度方向的滑動步長；
stride_w：寬度方向的滑動步長。
因此，n為輸出影象大小的長寬乘積，也是卷積核在輸入影象上滑動可擷取的最大特徵數。
k=k*k，表示利用卷積核大小的框在輸入影象上滑動所擷取的資料大小，與卷積核大小一樣大。

3.池化大小的計算與卷積類似:

n=[（（image_h + 2*pad_h – kernel_h）/stride_h)+ 1]*[（（image_w +2*pad_w – kernel_w）/stride_w )+ 1] (結果向上取整)

image_h：輸入影象的高度

image_w：輸入影象的寬度
pad_h：在輸入影象的高度方向兩邊各增加pad_h個單位長度（因為有兩邊，所以乘以2）
pad_w：在輸入影象的寬度方向兩邊各增加pad_w個單位長度（因為有兩邊，所以乘以2）
kernel_h：池化區域的高度
kernel_w：區域的寬度
stride_h：高度方向的滑動步長；
stride_w：寬度方向的滑動步長。
因此，n為輸出影象大小的長寬乘積，也是卷積核在輸入影象上滑動可擷取的最大特徵數。

先定義幾個引數

輸入大小 w×w

filter大小 f×f

步長 s

padding的畫素數 p

三.卷積時引數的理解

卷積運算時總是有乙個引數需要選擇，matlab中是shape，python中是border_mode

關於shape選項的說明；

當shape=full時，返回全部二維卷積結果，即返回c的大小為（ma+mb-1）x（na+nb-1）

shape=same時，返回與a同樣大小的卷積中心部分

shape=valid時，不考慮邊界補零，即只要有邊界補出的零參與運算的都捨去，返回c的大小為（ma-mb+1）x（na-nb+1）

理解深度卷積網路

1 如何分類貓和狗？在kaggle的cat dogs比賽中，提供一系列有貓和狗標記的影象。訓練集包含25000張關於狗和貓的，測試集包含12500。影象有不同的解析度，貓和狗有不同的形狀，位置，顏色。可能坐著，可能開心或者傷心。貓可能睡覺狗可能在吠。神經網路在分類時高效是其自動學習抽象的多層，其簡化...

14 深度學習 卷積

補交作業 第十二次作業 垃圾郵件分類 第十三次作業 垃圾郵件分類2 這兩個作業電腦顯示卡炸了，返廠修了兩周，所以沒有完成，只能在手機上直播課，謝謝老師 第六次作業 邏輯回歸 這個作業我4月23日就已經弄好了，但是忘記交了，老師可以檢視一下這篇部落格的日期 1.簡述人工智慧 機器學習和深度學習三者的聯...

14 深度學習 卷積

1.簡述人工智慧 機器學習和深度學習三者的聯絡與區別。區別 1 人工智慧 目的和結果，深度學習，機器學習是方法，是工具。2 機器學習 一種實現人工智慧的方法 機器學習都可以被精準地定義為 1 任務2 訓練過程3 模型表現 3 深度學習 是一種實現機器學習的技術，適合處理大資料 2.全連線神經網路與卷...