【从零开始学习深度学习】23. CNN中的多通道输入及多通道输出计算方式及1X1卷积层介绍
之前我们用到的输入和输出都是二维数组，但真实数据的维度经常更高。例如，彩色图像在高和宽2个维度外还有RGB（红、绿、蓝）3个颜色通道。假设彩色图像的高和宽分别是h和w（像素），那么它可以表示为一个3×h×w的多维数组。我们将大小为3的这一维称为通道（channel）维。本文我们将介绍含多个输入通道或多个输出通道的卷积核。 1 多输入通道–单输出通道 ...
【从零开始学习深度学习】22. 卷积神经网络（CNN）中填充(padding)与步幅(stride)详解，填充、步幅、输入及输出之间的关系
在上一篇文章中，我们使用高和宽为3的输入与高和宽为2的卷积核得到高和宽为2的输出。一般来说，假设输入形状是nh×nw，卷积核窗口形状是kh×kw，那么输出形状将会是 所以卷积层的输出形状由输入形状和卷积核窗口形状决定...
【从零开始学习深度学习】21. 卷积神经网络（CNN）之二维卷积层原理介绍、如何用卷积层检测物体边缘
卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。最常见的卷积神经网络均使用二维卷积层。它有高和宽两个空间维度，常用来处理图像数据。本文将介绍简单形式的二维卷积层工作原理。 1. 二维互相关运算 虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cr...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
深度学习学习相关内容
智能引擎技术
AI Online Serving，阿里巴巴集团搜推广算法与工程技术的大本营，大数据深度学习时代的创新主场。
+关注