其他分享
首页 > 其他分享> > 深度学习笔记(三十一)三维卷积及卷积神经网络

深度学习笔记(三十一)三维卷积及卷积神经网络

作者:互联网

一、RGB三维图像的卷积

在这里插入图片描述
计算方法和二维卷积类似,从三维图像中划分出 3 × 3 × 3 3\times3\times3 3×3×3的方块(称为卷积立方体),对这27个像素点进行卷积,即逐个元素与过滤器相乘求和,得到输出二维矩阵中的一个值。
在这里插入图片描述
三维图像和过滤器可以有不同的高和宽,但是必须有相同的通道数。在RGB这个例子中,就是有R G B三个颜色通道(组成图像中的任意颜色)

二、叠加过滤器

试想一个问题,用前面的方法可以实现垂直边缘检测和水平边缘检测,但是如果我们要检测的是更一般的边缘呢(换句话说:想检测更多的特征信息 )?比如43°。这个时候需要一种方法,叫做过滤叠加。

来看看老师的示意图:
在这里插入图片描述

三、维度总结

三维图像: n × n × n c n\times n\times n_c n×n×nc​
过滤器: f × f × n c f\times f\times n_c f×f×nc​
卷积输出: n − f + 1 × n − f + 1 × n c ′ n-f+1\times n-f+1\times n_c' n−f+1×n−f+1×nc′​
其中, n c ′ = n_c'= nc′​= # f i l t e r s filters filters
注意,这里用到的padding=valid,stride=1.
所以更一般的卷积输出如下:
n + 2 p − f + 1 s × n + 2 p − f + 1 s × n c ′ \frac{n+2p-f+1}{s}\times \frac{n+2p-f+1}{s}\times n_c' sn+2p−f+1​×sn+2p−f+1​×nc′​
输出的通道数 n c ′ n_c' nc′​等于过滤器的数量,也等于检测的特征数(在上述RGB图像例子中,检测垂直和水平边缘两个特征)

四、单层卷积网络

在这里插入图片描述
计算单层网络中参数的个数
单层中图像是 3 × 3 × 3 3\times3\times3 3×3×3,过滤器数量为10,问该层有多少个参数?

可以看到,不管图像有多大,参数并不多,取决于过滤器的数量和大小,这个在卷积神经网络中称为避免过拟合

五、符号说明

f [ l ] f^{[l]} f[l]:第 l l l层的过滤器大小

p [ l ] p^{[l]} p[l]:第 l l l层的padding数量

s [ l ] s^{[l]} s[l]:第 l l l层的stride步长

n c [ l ] n_c^{[l]} nc[l]​:第 l l l层的过滤器数量

f [ l ] × f [ l ] × n c [ l − 1 ] f^{[l]}\times f^{[l]}\times n_c^{[l-1]} f[l]×f[l]×nc[l−1]​:第 l l l层的过滤器维度

f [ l ] × f [ l ] × n c [ l − 1 ] × n c [ l ] f^{[l]}\times f^{[l]}\times n_c^{[l-1]}\times n_c^{[l]} f[l]×f[l]×nc[l−1]​×nc[l]​:第 l l l层的权重维度

n c [ l ] : 1 × 1 × 1 × n c [ l ] n_c^{[l]} :1\times1\times1\times n_c^{[l]} nc[l]​:1×1×1×nc[l]​:第 l l l层的偏置维度

n H [ l − 1 ] × n W [ l − 1 ] × n c [ l − 1 ] n_{H}^{[l-1]}\times n_{W}^{[l-1]}\times n_c^{[l-1]} nH[l−1]​×nW[l−1]​×nc[l−1]​:第 l l l层的输入维度

n H [ l ] × n W [ l ] × n c [ l ] n_{H}^{[l]}\times n_{W}^{[l]}\times n_c^{[l]} nH[l]​×nW[l]​×nc[l]​:第 l l l层的输出维度

m × n H [ l ] × n W [ l ] × n c [ l ] m\times n_{H}^{[l]}\times n_{W}^{[l]}\times n_c^{[l]} m×nH[l]​×nW[l]​×nc[l]​:第 l l l层【m个样本】的输出维度(深度学习中的向量化技术)

n H [ l ] = ⌊ n H [ l − 1 ] + 2 p [ l ] − f [ l ] s [ l ] + 1 ⌋ n_{H}^{[l]}=\lfloor{\frac{n_{H}^{[l-1]}+2p^{[l]}-f^{[l]}}{s^{[l]}}+1}\rfloor nH[l]​=⌊s[l]nH[l−1]​+2p[l]−f[l]​+1⌋

n W [ l ] = ⌊ n W [ l − 1 ] + 2 p [ l ] − f [ l ] s [ l ] + 1 ⌋ n_{W}^{[l]}=\lfloor{\frac{n_{W}^{[l-1]}+2p^{[l]}-f^{[l]}}{s^{[l]}}+1}\rfloor nW[l]​=⌊s[l]nW[l−1]​+2p[l]−f[l]​+1⌋

六、卷积神经网络作图像分类

第一次卷积:
在这里插入图片描述
第二次卷积:
在这里插入图片描述
第三次卷积:
在这里插入图片描述
对最后一次卷积结果展开成一列向量,logistic/softmax回归得到预测结果。
在这里插入图片描述

七、卷积神经网络中的典型层类型

虽然只搭建卷积层可以实现卷积神经网络,但是神经网络架构师通常会用上池化层和全连接层搭建神经网络,这两层网络比卷积层更容易搭建。将这三者结合起来,能搭建更为强大的神经网络。


祝大家2021新年快乐!祝自己2021年收获满满,能达到自己的预期!

标签:2p,卷积,nc,三十一,times,神经网络,过滤器
来源: https://blog.csdn.net/qq_16763983/article/details/113797958