练习：卷积和池化过程中注意事项

元素化相乘

注意的是，我们在使用滤波器进行卷积的时候，是元素化相乘的，所以，要使用*，而不要使用np.multiply

卷积切片和池化切片

我们基于图像学习来讨论这个问题。

对于多维参数输入而言，比如说，我们是A=（4,5,5,3）表示的的有4个输入图像，每个图像是5×5，因为是RGB图像，所以是有3层。

对于卷积而言，我们通常是三维卷积，所以，卷积切片代码这样写:

  for i in range(m):                               # loop over the batch of training examplesa_prev_pad = A_prev_pad[i]                               # Select ith training example's padded activationfor h in range(n_H):                           # loop over vertical axis of the output volumefor w in range(n_W):                       # loop over horizontal axis of the output volumefor c in range(n_C):                   # loop over channels (= #filters) of the output volume# Find the corners of the current "slice" (≈4 lines)vert_start = h*stridevert_end = vert_start + fhoriz_start = w*stridehoriz_end = horiz_start + f# Use the corners to define the (3D) slice of a_prev_pad (See Hint above the cell). (≈1 line)a_slice_prev = a_prev_pad[vert_start:vert_end, horiz_start:horiz_end, :]

但是池化不是三维池化，所以最后一行代码我们不是写成：而是写成c的形式，表示对某一通道进行切片操作，我们举一个例子

A_prev = np.random.randn(10,4,4,3)
A_prev = A_prev[1,1:3,1:3,2]
print(A_prev)
print(A_prev.shape)

输出效果如下：

[[ 1.07125243 -1.03918232][ 1.2066079   1.06897162]]
(2, 2)

下面是池化层代码

   for i in range(m):                         # loop over the training examplesfor h in range(n_H):                     # loop on the vertical axis of the output volumefor w in range(n_W):                 # loop on the horizontal axis of the output volumefor c in range (n_C):            # loop over the channels of the output volume# Find the corners of the current "slice" (≈4 lines)vert_start = h*stridevert_end = vert_start + fhoriz_start = w*stridehoriz_end = horiz_start + f# Use the corners to define the current slice on the ith training example of A_prev, channel c. (≈1 line)# 不切片的我们写成i的形式进行保留,池化是一个二维池化，而不是三维池化，所以我们这里写成c的形式，不进行切片a_prev_slice = A_prev[i, vert_start:vert_end, horiz_start:horiz_end, c]

练习：卷积和池化过程中注意事项相关推荐

如何理解卷积神经网络（CNN）中的卷积和池化？
要说明这个问题,首先要从计算机视觉中的"Hello World"问题说起:MNIST手写数字的分类.给定图像,将其分类. 来自MNIST数据集的图片样本 MNIST数据集中的每个图 ...
keras中的卷积层池化层
文章目录卷积层创建卷积层卷积层的格式及参数: 卷积层中的参数数量卷积层的形状池化层 keras中的最大池化层参数卷积层创建卷积层首先导入keras中的模块 from keras.la ...
【数据挖掘】卷积神经网络 ( 池化 | 丢弃 | 批量规范化 | 卷积神经网络完整流程示例 | 卷积 | 池化 | 全连接 | 输出 | 卷积神经网络总结 )
文章目录 I . 池化 II . 丢弃操作 III . 批量规范化 IV . 卷积神经网络完整流程示例 ( 1 ) : 原始输入图 V . 卷积神经网络完整流程示例 ( 2 ) : 卷积层 C1C ...
PyTorch框架学习十——基础网络层（卷积、转置卷积、池化、反池化、线性、激活函数）
PyTorch框架学习十--基础网络层(卷积.转置卷积.池化.反池化.线性.激活函数) 一.卷积层二.转置卷积层三.池化层 1.最大池化nn.MaxPool2d 2.平均池化nn.AvgPool2 ...
使用CNN实现图像分类——理解卷积神经网络（卷积、池化、全连接）
1. 卷积神经网络(CNN)简介 19世纪60年代,科学家通过对猫的视觉皮层细胞研究发现,每一个视觉神经元只会处理一小块区域的视觉图像,即感受野(Receptive Field).卷积神经网络的概念即 ...
cs231n-(7)卷积神经网络：架构，卷积层/池化层
架构总览常用的层卷积层概述池化层归一化层全连接层全连接层转为卷积层卷积网络架构层模式层大小设计模式实例计算资源考虑额外资源卷积神经网络和普通神经网络非常类似.卷积神经网络由 ...
[CNN] 卷积、反卷积、池化、反池化
之前一直太忙,没时间整理,这两天抽出点时间整理一下卷积.反卷积.池化.反池化的内容,也希望自己对一些比较模糊的地方可以理解的更加清晰. 一.卷积 1.卷积的简单定义卷积神经网络中的卷积操作可以看做是 ...
一位外国小哥把整个 CNN 都给可视化了，卷积、池化清清楚楚！网友：美得不真实......
编辑丨量子位做计算机视觉,离不开CNN. 可是,卷积.池化.Softmax--究竟长啥样,是怎样相互连接在一起的? 对着代码凭空想象,多少让人有点头皮微凉.于是,有人干脆用Unity给它完整3D可视 ...
深度学习笔记 5 卷积、池化
目录 1. 卷积 1.1 卷积的目的 1.2 卷积的基本属性 1.3 卷积的特点 2. 卷积分类与计算 2.1 标准卷积 2.2 反卷积(转置卷积) 2.3 空洞卷积 2.4 深度可分离卷积 2.5 ...

练习：卷积和池化过程中注意事项

元素化相乘

卷积切片和池化切片

练习：卷积和池化过程中注意事项相关推荐

最新文章

热门文章