深度学习中常见的计算公式
·
深度学习中常见的计算公式
- 卷积神经网络
- 空洞卷积
- 空洞卷积权重值的间隔为：dilation rate-1
- 当空洞率为1时，降为普通卷积
- 空洞后的卷积核的空间大小：k=(n-1)*d+1
- n为原卷积核的大小，d为空洞率
- 卷积后图片大小：O=⌊(I−k+2P)/S⌋+1
- I为输入图片的大小，P为填充大小，S为步长
- 空洞卷积权重值的间隔为：dilation rate-1
- 空洞卷积存在的问题
- 存在网格效应和远距离的点之间信息可能不相关
- 解决办法
- 叠加卷积的空洞率不能有大于1的公约数，[2,4,6]就不是一个好的三层卷积，依然会出现网格效应 --------解决网格效应
- 将空洞率设计成锯齿状结构，[1,2,5,1,2,5]循环结构 ---------解决远近距离信息可能不相关，同时捕获远近信息
- M_i=max{M_(i+1)−2r_i, M_(i+1)−2(M_(i+1)−r_i), r_i} 目标：M_i<k
- r_i指第i层的空洞率，M_i指第i层的空洞率的最大值，默认M_n=r_n，k为kernel size
- 从后向前推，有M_n和r_n推M_(n-1)是否满足条件
- 空洞卷积
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)