1.用stride为2的卷积层实现:卷积过程导致的图像变小是为了提取特征。下采样的过程是一个信息损失的过程,而池化层是不可学习的,用stride为2的可学习卷积层来代替pooling可以得到更好的效果,当然同时也增加了一定的计算量。 2.用stride为2的池化层实现:池化下采样是为了降低特征的维度。如Max-pooling和Average-poolin...
每一个通道配一个卷积核,然后算出来三个卷积结果。 再对三个卷积结果进行相加,还是对位相加然后得到一个总的结果。 实际上就是 3 * 3 * 3 张量输入数据和 3 * 3 * 3的卷积核对位相乘得到 3* 3 *3的张量,然后再求和的结果。 . 卷积输入数据的通道数必须和所配备的卷积核通道数相同,w和h可以不一样。
这段代码是先利用tf.pad()函数来手动给feature map往外填零,再用 的步长,padding为VALID的方式进行卷积来实现下采样,我看完这段代码的第一反应是为什么不直接用 ,padding为SAME的方式来下采样,搞这么麻烦干什么?于是我自己算了一次: 用YOLO v3的背景来做计算:卷积核为 ,输入数据假定 ,首先我们使用代码的这个方...
这段代码是先利用tf.pad()函数来手动给feature map往外填零,再用 ()(1,2,2,1) 的步长,padding为VALID的方式进行卷积来实现下采样,我看完这段代码的第一反应是为什么不直接用 (1,2,2,1),padding为SAME的方式来下采样,搞这么麻烦干什么?于是我自己算了一次: 用YOLO v3的背景来做计算:卷积核为 3×3 ...