二维卷积神经网络的结构理解
针对这个图,我们对应着卷积的api函数来说:
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)
如上图:
第一列为一张输入图像, 大小为7*7*3, 即宽高为7*7, 通道数为3
所以inputs的维度就是: [-1, 7, 7, 3] , -1是表示batch的大小可以随意,基于输入决定
第二列和第三列为一个卷积层, 对应着参数filter, 它是一个4d的参数, 分别为卷积层的高,宽,图像通道数,卷积核数
宽高很显然是3*3, 就是第二列或者第三列里面的一个红色的矩形的宽高
图像通道数,对应着输入图像的通道数,也就是3,也就是第二列Filter W0或W1中的3*3矩形的个数, 可以看到上面第一列和第二列之间的连线,说明第一列的7*7的矩形个数和第二列的3*3的矩形个数要一致,都是图像的通道数
卷积核数,就是第二列到第三列的列数,只有两列,所以卷积核数是2, 一个卷积核是指整个第二列或第三列, 卷积核不是那个3*3的矩形,是整个第二列的3个3*3的矩形的组合, 所以整个第二列是一个卷积核,第三列也是一个卷积核
第四列是卷积后的值
输入层和第二列的卷积核计算得到的结果为Output Volume的第一个3*3的矩阵, 这个3*3矩阵的每个元素都会加上b[0],上图是已经加后的结果
输入层和第三列的卷积核计算得到的结果为Output Volume的第二个3*3的矩阵, 这个3*3矩阵的每个元素都会加上b[1],上图是已经加后的结果
偏执b的维度及其加法规则:
偏执b是一个一维的向量,维度与卷积核数一致,也就是2, 所以b的维度是2*1
加法规则上面已经解释了, 因为b的维度与卷积核的维度一致,所以是输入层和第一个卷积核每步计算的结果要加上b[0], 输入层和第二个卷积核每步计算的结果要加上b[1]
二维卷积神经网络的结构理解相关推荐
- 论文解读:《基于BERT和二维卷积神经网络的DNA增强子序列识别transformer结构》
论文解读:<A transformer architecture based on BERT and 2D convolutional neural network to identify DN ...
- 经典的卷积神经网络结构,卷积神经网络基本结构
卷积神经网络通俗理解 . 卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetwork ...
- 一维卷积(1D-CNN)、二维卷积(2D-CNN)、三维卷积(3D-CNN)
一维卷积神经网络(1D-CNN) 一维卷积常用在序列模型.自然语言处理领域: 假设输入数据维度为8,filter维度为5: 不加padding时,输出维度为4,如果filter的数量为16,那么输出数 ...
- 卷积神经网络之一维卷积、二维卷积、三维卷积
1. 二维卷积 图中的输入的数据维度为14×1414×14,过滤器大小为5×55×5,二者做卷积,输出的数据维度为10×1010×10(14−5+1=1014−5+1=10).如果你对卷积维度的计算不 ...
- 一维卷积的意义和二维卷积(图像处理)的简单理解
在学习机器学习和图像处理的过程中,经常会遇到卷积这个概念.我每次遇到这个概念都有点似懂非懂的样子.有时候清楚它的直观解释,但又搞不清公式中是如何体现的.究其原因,还是我没有完全搞懂这个概念. 维基百科 ...
- 卷积神经网络CNN结构
写在前面 今天不想写. 1.卷积神经网络(CNN)简介 直接贴出这张CNN最经典的图.从图中也可以出,其实CNN和传统的深度神经网络相差不多,唯一的区别就在于神经网络中相邻两层的连接方式.那么,问题来 ...
- CNN的Python实现——第四章:卷积神经网络的结构
文章目录 第4章 卷积神经网络的结构 4.1 概述 4.1.1 局部连接 4.1.2 参数共享 4.1.3 3D特征图 4.2 卷积层 4.2.1 卷积运算及代码实现 4.2.2 卷积层及代码初级实现 ...
- 无人驾驶汽车系统入门(十二)——卷积神经网络入门,基于深度学习的车辆实时检测
无人驾驶汽车系统入门(十二)--卷积神经网络入门,基于深度学习的车辆实时检测 上篇文章我们讲到能否尽可能利用上图像的二维特征来设计神经网络,以此来进一步提高识别的精度.在这篇博客中,我们学习一类专门用 ...
- Udacity机器人软件工程师课程笔记(二十七) - 卷积神经网络(CNN)
1.卷积神经网络介绍 **卷积神经网络(Convolutional Neural Network,CNN)**是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出 ...
最新文章
- 多伦多到温莎_我想要freeCodeCamp Toronto的Twitter来发布报价,所以我做了一个免费的bot来做到这一点。...
- div 居中,浏览器兼容性
- 实验三:xen环境下的第一个虚拟机的安装
- matlab 信号去直流,基于FIR滤波的ADC采样信号中直流信号的消除方法与流程
- IT运维管理与ITIL
- java 断点_每个Java开发人员应拥有的持久断点
- css3 多列布局使用
- 反射:类,构造器,方法使用
- aspen中再沸器模拟_aspen换热器的模拟计算
- Office小知识(三)——使用visio绘制流程图实例及遇到的一些问题
- 综述:三维点云深度学习技术
- 计算机怎么打不开照相机图片,Win10系统相机打不开怎么办-电脑自学网
- 平面几何----蝴蝶定理的证明
- python bunch制作可导入数据_Python bunch包_程序模块 - PyPI - Python中文网
- Linux之yum 命令详解
- 案例-------ZARA和HM
- 数据分析(python系)
- 不同数据库之间表数据的copy及CPY 0012错误的解决办法
- Python||PyCharm||代码为什么是灰色的???(已解决)
- C语言:Fibonacci数列的递归解法和非递归解法