怎样不让网站自动跳转wap,广州网站建设费,网站首页广告图片伸缩代码又关闭,网络营销渠道管理卷积神经网络 CNN 感受野 感受野#xff08;Receptive Field#xff09;在卷积神经网络#xff08;CNN#xff09;中是一个非常重要的概念#xff0c;它描述了网络中某一层的输出#xff08;通常是特征图上的一个像素点#xff09;所对应的输入图像上的空间范围。 1. 定…
卷积神经网络 CNN 感受野 感受野Receptive Field在卷积神经网络CNN中是一个非常重要的概念它描述了网络中某一层的输出通常是特征图上的一个像素点所对应的输入图像上的空间范围。 1. 定义与基本概念 感受野指的是神经网络中神经元“看到”的输入区域即卷积神经网络每一层输出的特征图上的像素点在输入图片上映射的区域大小。再通俗点说就是特征图上的一个点对应输入图上的区域。 局部连接在卷积层中每个神经元只与输入数据的一个局部区域相连接这个局部区域通过卷积核或滤波器进行处理。 2. 感受野的特点 层次性随着网络层次的加深单个神经元的感受野会逐渐增大。这是因为每一层的输出会成为下一层的输入从而使得信息的聚合范围扩大。 抽象程度较低层的神经元通常具有较小的感受野它们倾向于捕捉局部特征如边缘等细节信息。而较高层的神经元具有较大的感受野能够捕捉更抽象的特征如形状、纹理或对象的部分。 3. 感受野的计算 感受野的大小可以通过数学方式进行计算这通常涉及到考虑卷积核大小、步长stride、填充padding以及前面所有层的组合效应。 初始感受野在第一层感受野直接等于卷积核的大小。 递归计算对于后续的每一层可以使用以下公式来计算感受野 考虑池化层如果在卷积层之间有池化层池化层会减少感受野的增长。如果池化层的步长为Sp 则需要调整感受野的计算。 4. 感受野的作用 影响网络的感知能力较小的感受野可以捕捉到更细节的特征但可能会忽略掉更大范围内的信息较大的感受野可以捕捉到更全局的信息但可能会忽略掉更细节的特征。 影响网络的计算复杂度较小的感受野需要更多的卷积层来提取特征从而增加了计算复杂度较大的感受野可以通过较少的卷积层来提取特征从而减少了计算复杂度。 卷积层 CNN 里面最重要的构建单元就是卷积层 神经元在第一个卷积层不是连接输入图片的每一个像素只是连接它们感受野的像素 以此类推第二个卷积层的每一个神经元仅连接位于第一个卷积层的一个小方块的神经 元 在处理 MNIST(手写数字)数据集 的时候把图像变成 1D 的现在直接用 2D 卷积的计算 假设有一个 5*5 的图像使用一个 3*3 的 filter 进行卷积想得到一个 3*3 的 Feature Ma bisa是截距b 计算结果为 彩色图片 在一个特征图里面所有的神经元共享一样的参数weights bias权值共享 不同的特征图有不同的参数 3D图像就是三维图像三通道图像例如RGB图像 stride步长 设定卷积核(滤波器)在2D图像上水平与垂直方向上每次运动的跨度 Padding 模式 1.VALID 不适用 zero padding有可能会忽略图片右侧或底下这个得看 stride 的设置 2.SAME 必要会加 zero padding这种情况下输出神经元个数等于输入神经元个数除以步长 ceil(13/5)3 SAME 模式在图像外围填充0时会以左少右多的方式去填 VALID模式对于不够下一次卷积的部分会丢弃会导致一定的特征丢失 Pooling池化 目标就是降采样 subsample shrink也可以理解为降维减少计算负荷内存使用参数数量一定程度上可以防止过拟合 减少输入图片大小也使得神经网络可以经受一点图片平移不受位置的影响 正如卷积神经网络一样在池化层中的每个神经元被连接到上面一层输出的神经元只 对应一小块感受野的区域。我们必须定义大小步长padding 类型 池化神经元没有权重值它只是聚合输入根据取最大或者是求均值 2*2 的池化核步长为 2没有填充只有最大值往下传递其他输入被丢弃掉了 1.最大池化 2. 平均池化 上图的卷积核中 1 5 3 2 会得到2取平均值向下取整 长和宽两倍小面积 4 倍小丢掉 75%的输入值 一般情况下池化层工作于每一个独立的输入通道所以输出的深度和输入的深度相同
