深度学习-边缘检测卷积核阐述、padding的意义、三维卷积

左边10的部分表示较亮的部分，可以看到将左边图片中间的线-->右边图片扩大加粗了。

区分 两者的变化。

2、padding的意义：（n+2p-(f-1))**2    有步长[(n+2p-f)/s ]+1

      第一、防止图片经过多次卷积之后大小变的很小

 　第二、公平对待图片中所有的信息，不会偏心于中心区域的图片

3、valid 卷积：不使用padding
 　same卷积：使用padding，使得结果大小和初始大小相同。

     tricks：卷积核大小一般是奇数，padding更方便，并且可以明确卷积核的位置中心。

4、机器学习惯例：卷积通常不会经过对角线翻转的操作，直接各元素乘积求和即可。

 5、三维卷积：注意最后一层是1层哦，每一次卷积是27个数字同时进行汇总成为一个数字，形成了最后的一维

单层多维卷积的大小：

卷积的好处：稀疏连接，权值共享，善于捕捉平移不变性

标签：2p,卷积,三维,padding,大小,图片
来源： https://www.cnblogs.com/irisinsnow/p/15359950.html