为了说明小波卷积层能够提取到具有可解释性的特征,首先将轴承和齿轮复合故障信号通过连续小波变换得到振动...
原因有二: 首先,您可以使用几个较小的核而不是几个较大的核来获得相同的感受野并捕获更多的空间上下文,但是使用较小的内核时,您使用的参数和计算量较少。 其次,因为使用更小的核,您将使用更多的滤波器,您将能够使用更多的激活函数,从而使您的CNN学习到更具区分性的映射函数。
主要是考虑到计算量的问题,卷积核越大计算量往往比较大。比如7×7卷积核要比3×3计算量大很多,具体...
小卷积核的使用妙处/为什么用3乘3的卷积核 3个kernel3相当于1个kernel7的; 2个kernel3相当于1个kernel5的; 更深(特征更多 (局部最优)),非线性层越多(使决策函数更加具有辨别能力) 参数量减少3*(3C)的平方 vs (7C)的平方 计算量也减少 3×3的9个格子,最中间的格子是一个感受野中心,可以捕获上下左右以...
效果差不多但是3X3的运算量更小。
具体来说,使用这种卷积核可以保证输出特征图的尺寸与输入特征图的尺寸相比减少一半,即输出特征图的长宽...
可以用大的,但没必要, 主流框架被常用的3x3是有额外油画的
ResNet第一层就是采用的7*7的大卷积核,为了捕捉底层图像的特征。但后来发现3*3的更高效并切性能相当...