可以看到这个Inception模块中,由于每一层网络采用了更多的卷积核,大大增加了模型的参数量。这时候为了减少模型参数量,在每一个较大卷积核的卷积层前引入 1 × 1 1\times1 1×1卷积,将宽高和通道方向的卷积进行了分离。修改后的Inception模块表示为下图: 这样就实现了在不影响模型的特征表达能力条件...
s[l]s[l]:步幅。 这一层的输入:$n_H^{^{[l - 1]}} \times n_W^{^{[l - 1]}} \times n_c^{^{[l - 1]}}$。H和W分别表示图像的高度和宽度。 这一层的输出:n[l]H×n[l]W×n[l]cnH[l]×nW[l]×nc[l]。 输出图像的高度:n[l]H=⌊nH[l−1]+2p[l]−f[l]s[l]+...
输入图片大小为$$ 2 0 0 \times 2 0 0 $$,依次经过一层卷积(kernelsize5x5,padding1, stride2),pooling(kernelsize3×3,padding0,stride1),又一层卷积(kernelsize3×3,padding1, stride1)之后,输出特征图大小为()。 A. 95 B. 96 C. 97 D. 98 相关知识点: 试题来源: 解析 C 反馈 收藏...