卷積層的基本操作就是：卷積操作和池化操作兩個
就是輸入特徵圖（也可能是原圖），用filter進行卷積操作，每個filter產生乙個輸出特徵圖，filter的個數決定了輸出特徵圖的個數（也就是輸出的通道數）
注意：每個filter是有通道數的，預設通道數與輸入特徵圖通道數一致
lenet-5(1998)：簡單的卷積層和池化層相間搭建的網路，此外還有全連線層
將多個卷積層疊加（一般2-3個）然後再經過池化層
alexnet(2012)
這個卷積操作分為兩步，主要為了減少引數，和提高訓練速度
假設現在有個16通道的輸入，要通過卷積層，產生乙個32通道的輸出，我的理解：
此時會有32個filter，每個filter大小為(3,3),filter也是16通道，每個filter可以同時在16個輸入通道上滑動，然後每個產生乙個輸出特徵圖，於是就產生了32個輸出特徵圖。
第一步depthwise convolution:此時會有16個filter（個數與輸入特徵圖通道一致），每個大小為(3,3)，但是此時每個filter通道是1，而且每個filter只作用於乙個輸入特徵圖，所以這一步會產生16個（與輸入特徵圖個數一致）中間特徵圖
第二步pointwise convolution:這一步的目的是調整通道數，上一步產生的通道數總是與輸入通道數一致的，此時用大小為(1,1)的filter（此時的filter有與輸入一致的通道數）做標準卷積操作做的事情，filter的個數就決定了輸出特徵圖的通道數，於是就調整了輸出通道數
參考文章：
mobilenet
pytorch 花式張量 Tensor 操作
一 張量的維度操作 1.squezee unsqueeze x torch.rand 5,1,2,1 x torch.squeeze x x.squeeze 去掉大小為1的維度,x.shape 5,2 x torch.unsqueeze x,2 x.unsqueeze 2 和squeeze相反在第三...
卷積神經網路 卷積操作
對於cnn，卷積操作的主要目的是從輸入影象中提取特徵。卷積通過使用輸入資料的小方塊學習影象特徵來保留畫素之間的空間關係。卷積操作就是卷積核 過濾器 filter 在原始中進行滑動得到特徵圖 feature map 的過程。假設我們現在有乙個單通道的原始和乙個卷積核，卷積的過程如圖2所示 卷積得到的特...
利用gets函式 花式進行賦值操作
今天在看別人 時，發現gets的新用法，記錄如下 給三個字串陣列，兩個一維陣列char a,char b，乙個二維字串陣列temp。要求輸入兩個字串，分別輸入到a和b中，然後讓temp 0 a,temp 1 b 一行操作 include char a 10 b 10 temp int main vo...