沐雨金鳞

深度学习之池化方法（pooling） 形象理解深度学习中八大类型卷积

使用小的卷积核代替大卷积核的目的有两个，第一，降低参数数量，第二，顺带的效果是增加了网络深度。 1，为了方便same padding时的处理。如步长为1时，要补充k-1的zero padding才能使输出输出的尺寸一致，这时候如果核大小k是偶数，则需要补充奇数的zero padding，不能平均分到feature map的两侧。 padding时对称：保证了 padding 时，图像的两边依然...

转自调参技巧 网络能深则深。宽度小时，尽可能加深网络深度，并在加深的过程中增大网络宽度。 使用小卷积核。小卷积核有利于网络走向更深，具有更好的识别鲁棒性。 前面几层下采样的频率高一点，中间层下采样频率降低，并使用不下采样的方法提高深度。前面几层下采样密度大：微弱精度损失换取速度提升。最终能够下采样的最大深度的层的感受野，由数据集中最大有意义物体的尺寸决定，最大感受野应该覆盖数据集中最大有意义...

输出图像大小 = （输入图片大小 - 卷积核大小 + 2*padding）/ stride步长 + 1 如：4 = （4 - 3 + 2*1）/ 1 + 1 输出图像大小 = （输入 - 1）* stride步长 + outputpadding输出边补充0的层数 - 2 * padding + kernel_size 如：56 = （28 - 1）* 2 + 2 ...

本文转载自： 罗翌新：中科大数学博士，深度学习医学应用专家； 廖星宇：中科大硕士，计算机视觉专家，Face++资深工程师，《深度学习之Pytorch》作者； 的深度学习理论与实战（基于TensorFlow实现） 一、为什么要使用卷积神经网络？ 二、卷积核以及卷积的一些基本知识 ...