发布者:上海IT外包来源:http://www.lanmon.net点击数:1176
蓝盟IT小贴士,来喽!
卷积层
卷积:用原始输入进行特征提取。 特征提取简单地说,在原输入前的小区域的小区域进行特征的提取,详细说明卷积的计算过程。
卷积不限于在原始输入处的卷积。 蓝色方块对原始输入进行卷积操作,采用6个滤波器得到6个提取特征图。 绿色四边形也可以折叠蓝色四边形,使用10个滤波器得到了10个特征图。 每个过滤器的深度必须与上一级输入的深度相同。
第一次卷积可以提取低水平特征。
第二次卷积可以提取中等水平的特征。
第三次卷积可以提取出较高水平的特征。
特征继续提取和压缩,最终可以得到相对较高水平的特征,简单地进一步浓缩原式特征,最终得到的特征更为可靠。 利用最后一层的特点,可以完成分类、回归等各种任务。

左下区的三个较大的矩阵是原始图像的输入,而RGB的三个信道用三个矩阵表示,并且大小为7*7*3。
Filter W0表示一个filter助手,大小为3*3,深度为3(3个矩阵)的Filter W1也表示一个filter助手。 卷积使用了2个滤波器,因此该卷积层的结果的输出深度为2 (绿色矩阵为2个)。
Bias b0是过滤器w0的偏置项目,Bias b1是过滤器w1的偏置项目。
OutPut是卷积后的输出,尺寸为3*3,深度为2。
在前向计算中,必须记录每个最小区域的最大值位置,每个选定的2*2区域的最大值。 在逆传播中,因为只有其最大值有助于下一层,所以将残差传递到其最大值的位置,区域内的其他2*2-1=3处为零。 具体过程如下图所示。 其中,4*4矩阵中的非零位置是之前计算的每个小区域的最大值的位置 。
分享到: