卷积神经网络膨胀卷积

卷积神经网络中的卷积核

卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核，又称滤波器。

卷积核的大小一般有1x1,3x3和5x5的尺寸（一般是奇数x奇数）。同样提取某个特征，经过不同卷积核卷积后效果也不一样。可以发现同样是锐化，5x5的卷积核要比3x3的卷积核效果细腻不少。

CNN的卷积核通道数=卷积输入层的通道数

CNN的卷积输出层通道数(深度)=卷积核的个数

在卷积层的计算中，假设输入是H x W x C，C是输入的深度(即通道数)，那么卷积核(滤波器)的通道数需要和输入的通道数相同，所以也为C。假设卷积核的大小为K x K，一个卷积核就为K x K x C，计算时卷积核的对应通道应用于输入的对应通道，这样一个卷积核应用于输入就得到输出的一个通道。假设有P个K x K x C的卷积核，这样每个卷积核应用于输入都会得到一个通道，所以输出有P个通道。

膨胀卷积

1.膨胀卷积是对卷积核进行0填充。

2.膨胀后的卷积核的大小：

    （1）设原始卷积核的大小是3*3

    （2）设膨胀率为2

    （3）则膨胀后的卷积核的大小为：dilation_rate*（kernel_size - 1）+1

             结果就是  2*（3-1）+1=5，膨胀后的卷积核大小是5*5

3.默认的dilation_rate=1.

卷积神经网络膨胀卷积

卷积神经网络中的卷积核

卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核，又称滤波器。

卷积核的大小一般有1x1,3x3和5x5的尺寸（一般是奇数x奇数）。同样提取某个特征，经过不同卷积核卷积后效果也不一样。可以发现同样是锐化，5x5的卷积核要比3x3的卷积核效果细腻不少。

CNN的卷积核通道数=卷积输入层的通道数

CNN的卷积输出层通道数(深度)=卷积核的个数

在卷积层的计算中，假设输入是H x W x C，C是输入的深度(即通道数)，那么卷积核(滤波器)的通道数需要和输入的通道数相同，所以也为C。假设卷积核的大小为K x K，一个卷积核就为K x K x C，计算时卷积核的对应通道应用于输入的对应通道，这样一个卷积核应用于输入就得到输出的一个通道。假设有P个K x K x C的卷积核，这样每个卷积核应用于输入都会得到一个通道，所以输出有P个通道。

膨胀卷积

1.膨胀卷积是对卷积核进行0填充。

2.膨胀后的卷积核的大小：

    （1）设原始卷积核的大小是3*3

    （2）设膨胀率为2

    （3）则膨胀后的卷积核的大小为：dilation_rate*（kernel_size - 1）+1

             结果就是  2*（3-1）+1=5，膨胀后的卷积核大小是5*5

3.默认的dilation_rate=1.