边缘检测
卷积运算:convolution
卷积操作之后,矩阵变为n-f+1 * n-f+1
padding
卷积操作有两个问题:
1、缩小输出
2、边缘像素没有充分利用
可以padding操作填充图像
矩阵变成n+2p-f+1
f一般是奇数
卷积步长stride
每次移动s步长,卷积后的大小:(n+2p-f)/s+1
传统的图像处理,卷积操作需要把过滤器翻转
对立方体的卷积
nnnc的矩阵,那么其过滤器也需要是ffnc
一个过滤去得到n-f+1的矩阵,如果m多个过滤器,则生成(n-f+1)(n-f+1)m
单层卷积网络
把过滤器中的数值当做参数,那么10个333的过滤器,参数数量应该是(27+1)*10
深度卷积
池化层
超参数:f、s,池化后大小为(n+2p-f)/s+1
max pooling,average pooling
为什么用卷积
1、参数共享
2、稀疏连接