企业官网建设流程全解析

公司网站建设多少费用济南兴田德润评价,在线设计平台招募设计师,wordpress jplayer,企业网站建设与推广问题探索卷积层里的多输入多输出通道方法通过网络搜索#xff0c;加以学习#xff0c;以此来解决问题多个输入通道通常来说#xff0c;我们会用到彩色图片#xff0c;彩色图像一般是由RGB三个通道组成的。彩色图片一般会有更加丰富的信息。但是转换为灰度会丢失信息#x…问题探索卷积层里的多输入多输出通道方法通过网络搜索加以学习以此来解决问题多个输入通道通常来说我们会用到彩色图片彩色图像一般是由RGB三个通道组成的。彩色图片一般会有更加丰富的信息。但是转换为灰度会丢失信息所以在图片的表示中通道数应该是3。我们之前都是只用了一个通道简单图片对于单通道来说还是ok的但是对于复杂图像就不行了。假设图片的大小为200x200那么图像的张量表示应该是200x200x3不仅仅是一个简单的矩阵了。当输入有了多个通道之后假设有2个通道Input中前面的是通道0后面是通道1。那么每个通道就会需要一个卷积核比如针对通道0的卷积核对通道0做卷积针对通道1的卷积核对通道1做卷积。再按元素相加得到我们最终的结果。① 核的通道数与输入的通道数一样。如果有多个通道每一个通道都有一个卷积核结果是所有通道卷积结果的和。我们假设卷积核也会对应的变成三维的矩阵但是输出是一个单通道因为不管输入是多少通道输出是把结果相加之后产生的。也就是说对每一个通道把它对应的输入和对应的核做卷积再按元素相加起来得到输出多个输出通道无论有多少通道的输入到目前为止不论有多少输入通道我们只会得到单输出通道。如果我们希望输出是多维的得到多输出通道该怎么办呢做法是对每一个输出都有一个自己的三维的卷积核总共设置多个三维的卷积核每一个卷积核计算出来的结果作为一个通道把每一个通道一一做运算再把它们concat起来得到我们的输出。相比于之前单输出通道多了一个参数Co。输出通道数即卷积核的个数是卷积层的另一个超参数。输出里面的第i个通道其实就是完整的输入X与对应第i个核做多输入的卷积然后对所有的i做遍历。这样就得到了多输出通道的结果。那为什么要这么做呢我们可以认为每一个通道识别出来的都是一些特殊的模式这是输出通道干的事情。多输入通道干什么呢假设我把这6个通道丢给下一层下一层要把这每个模式识别出来并组合起来得到一个组合的模式序列。当然 每一层有多个输出通道时至关重要的。在最流行的神经网络架构中随着神经网络层数的加深我们常会增加输出通道的维数通过减少空间分别率以获得更大的通道深度。比如说我们可以先识别猫的胡须耳朵再往上走的话把这些纹理组合起来在上层的一些卷积层可能就是识别的猫头。直观地说我们可以将每个通道看作是对不同特征的响应。而现实可能更为复杂一些因为每个通道不是独立学习的而是为了共同使用而优化的。因此多输出通道并不仅是学习多个单通道的检测器。1*1卷积核(1,1)的卷积核是一个常用的卷积核它并不能识别空间信息它的作用是融合通道。因为1x1卷积层每次只识别一个像素而不查看该像素与周围像素的关系所以它并不识别空间信息。等价于把整个NhxNw的输入拉成一个长为NhNw的向量也就是说空间信息没有了然后通道数拉成特征数Ci。将卷积核重新写成CoxCi等价于输入为NhxNwxCi权重为CoxCi的全连接层。二维卷积层模型储存小计算量不一定小。总结输出通道数是卷积层的超参数每个输入通道有独立的二位积核所有通道结果相加得到一个输出通道结果每个输出通道有独立的三维积核。