为什么CNN模型要使用很多小的卷积核，比如3x3，而不是7x7或者9x9呢？

(1)3x3是最小的能够捕获像素八邻域信息的尺寸。

(2)两个3x3的堆叠卷基层的有限感受野是5x5；三个3x3的堆叠卷基层的感受野是7x7，故可以通过小尺寸卷积层的堆叠替代大尺寸卷积层，并且感受野大小不变。所以可以把三个3x3的filter看成是一个7x7filter的分解中间层有非线性的分解, 并且起到隐式正则化的作用。

这一点在VGGNet论文中得到了很好的解释。有两个原因：首先，你可以使用几个较小的卷积核而不是几个较大的卷积核来获得相同的感受野并捕获更多的空间上下文，但是对于较小的卷积核，你使用的参数和计算更少。其次，因为使用了更小的卷积核，你会使用更多的过滤器，你将能够使用更多的激活函数，因此CNN将学习到更有区分度的映射函数。

为什么CNN模型要使用很多小的卷积核，比如3x3，而不是7x7或者9x9呢？相关推荐

【经典卷积神经网络CNN模型之 VGG16Net】模型实验，强烈建议使用GPU来跑，经试验，若使用CPU，普通PC理论上需要超过100小时
声明:仅学习使用~ 建议回顾基础知识: 包含但不限于 [模型实验]几个经典卷积神经网络CNN模型回顾:分组卷积–AlexNet,使用3x3卷积核----VGG,使用多种卷积核结构----Googl ...
CNN模型之SqueezeNet
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 01.引言 SqueezeNet是Han等提出的一种轻量且高效的C ...
CNN模型之MobileNet
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达零引言: 卷积神经网络(CNN)已经普遍应用在计算机视觉领域,并 ...
CNN模型复杂度（FLOPs、MAC）、参数量与运行速度
CNN模型复杂度(FLOPs.MAC).参数量与运行速度先转载一下,有空再来整理文章目录 0. 模型复杂度简介 1. 模型复杂度之一:模型参数量的计算方法卷积层参数量计算全连接层参数量计算 2 ...
为了压榨CNN模型，这几年大家都干了什么
如果从2006年算,深度学习从产生到火爆已经十年了,在工业界已经产生了很多落地的应用.现在网络的深度已经可达1000层以上,下面我们关注一个问题: 这些年大家是怎么"压榨"CNN模 ...
CNN 模型框架（转）
转自:http://www.shuang0420.com/2017/04/25/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%20CNN ...
凭什么相信你，我的CNN模型
背景学术界一直困惑的点是"如何让看似黑盒的CNN模型说话",即对它的分类结果给出解释. 这里的解释是指,让模型告诉我们它是通过图片的哪些像素做出判断的,并不是深度学习理论层面的解 ...
python cnn模型_CNN系列模型发展简述（附github代码——已全部跑通）
目录: 1 LeNet 2 AlexNet 3 VGG 4 GoogLeNet 5 ResNet 6 DenseNet 7 Non-Local Networks 8 Deformable Convol ...
深度学习CNN模型预测电影评论中的情感问题
情感分析是一种自然语言处理问题,其中理解文本并预测潜在意图. 在这篇文章中,您将了解如何使用Keras深度学习库在Python中预测电影评论的积极或消极情绪. 阅读这篇文章后你会知道: 关于自然语言处 ...

为什么CNN模型要使用很多小的卷积核，比如3x3，而不是7x7或者9x9呢？

为什么CNN模型要使用很多小的卷积核，比如3x3，而不是7x7或者9x9呢？

为什么CNN模型要使用很多小的卷积核，比如3x3，而不是7x7或者9x9呢？相关推荐

最新文章

热门文章