[深度学习] CNN FCN 常见卷积算法图示
·
Convolution arithmetic 卷积算法
文章、动图源地址：https://github.com/vdumoulin/conv_arithmetic
深度学习中使用的卷积算法的知识总结。
本教程的代码和/或图像可以免费用于非商业用途
- [1] Vincent Dumoulin, Francesco Visin - A guide to convolution arithmetic
for deep learning
(BibTeX)
Convolution animations 卷积Gif
N.B.: 蓝色的图是输入，绿色的图是输出。
 |
 |
 |
 |
| 不补零（No padding） | 任意补零（Arbitrary padding） | 半补零（Half padding）） | 全补零（Full padding） |
| 无步长（no strides） | 无步长（no strides） | 无步长（no strides） | 无步长（no strides） |
 |
 |
 |
|
| 不补零（No padding） | 有补零（Padding）Padding | 有补零（Padding）Padding | |
| 有步长（strides） | 有步长（strides） | 有步长（奇步）（strides（odd）） |
Transposed convolution animations 转置卷积Gif，也叫做Deconvolution
N.B.: 蓝色的图是输入，绿色的图是输出，与上面卷积一一对应。
 |
 |
 |
 |
| No padding, no strides, transposed | Arbitrary padding, no strides, transposed | Half padding, no strides, transposed | Full padding, no strides, transposed |
 |
 |
 |
|
| No padding, strides, transposed | Padding, strides, transposed | Padding, strides, transposed (odd) |
Dilated convolution animations 扩张卷积Gif
扩张卷积与普通的卷积相比，除了卷积核的大小以外，还有一个扩张率(dilation rate)参数，主要用来表示扩张的大小。扩张卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中即参数数量不变，区别在于扩张卷积具有更大的感受野。感受野是卷积核在图像上看到的大小，例如3×33×3卷积核的感受野大小为9（如下Gif所示）。参考
N.B.: 蓝色的图是输入，绿色的图是输出。
 |
| No padding, no stride, dilation |
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
1
0- 0
已为社区贡献4条内容
所有评论(0)